PRML是严肃学习机器学习的首选教材。虽然内容略微陈旧，但是从写作水平来说，目前没有与之匹敌的其他读物。可惜我英语水平有限，原著读起来很容易疲劳，幸得网上流传的PRML中译版，整体流畅严谨，显然是译者在有相当理解的基础上翻译的。只是阅读的过程中偶有卡壳，结合英文版原著，发现有些小问题，这里都列出来，方便其他读者。根据我的阅读进度，本文会不定期更新。

位置：p11 (1.2)上面

xn 的预测值 y(xn,w) 与目标值 tn 的平方和

xn 的预测值 y(xn,w) 与目标值 tn 之差的平方和

位置：p21 (1.32)下面

原文：把每个实数变量除以区间的宽度△

建议：把每个实数变量划分为宽度为△的区间

位置：p23 中间

原文：袁术数据集

建议：原始数据集

位置：p23 (1.60) 式

说明：公式抄写有误，右括号位置不对。请参考原作

位置：p29倒数第二段

原文：如果验证机很小

建议：如果验证集很小

位置：p32 下半部分

原文：然后把方向变量积分出来

建议：然后把方向变量积分掉

说明：当时阅读这行没看懂，后来看原文是"integrate out"。这里意思是，二重积分中有两个变量，先将方向变量通过积分可以消去，只剩下半径，变成一重积分。

位置：p33 最后一行

原文：通过贝叶斯定理修改

建议：通过贝叶斯定理校正

说明：revised翻译为修改，不是太好理解。当然，我建议的翻译未必更好。所以看不懂的地方看看原文吧。

位置：p52 中间

原文：多项式分布

建议：多项分布

说明：Multinomial和多项式没关系，译文中出现过“多元分布”和“多项式分布”两种提法，建议统一改成“多项分布”

位置：p56 (2.24)式下方

原文：由于这个方差是一个整数

建议：由于这个方差是一个正数

位置：p61 (2.54)式

原文：公式抄写有误， |J2| 应为 |J|2 。读者可参考原文

位置：p61 (2.54)式下方

原文：行列式 |Σ| 的协方差矩阵可以写成特征值的乘积

建议：协方差矩阵的行列式 |Σ| 可以写成特征值的乘积

位置：p62 (2.60)式上方

μμT 是常数，可以从积分中拿出。它本⾝等于单位矩阵，因为⾼斯分布是归⼀化的。

μμT 是常数，可以从积分中拿出，此时积分为1，因为⾼斯分布是归⼀化的。

位置：p64 (2.70)式下方

原文：“完成平方项“

建议：“配平方”

原文：我们一直一个二次型

建议：我们已知一个二次型

位置：p64 (2.73)式下方

原文：现在考虑公式（2.70）中所有 xa 的常数项

建议：现在考虑公式（2.70）中所有 xa 的一阶项

位置：p70 (2.127)式下方

原文：如果我们有观测z和 θ 的一个大数据集

建议：如果我们有一个包含z和 θ 观测值的大数据集。

位置：p76 (2.159)式上方

p(x|μa,b)

p(x|μ,a,b)

位置：p78 (2.168)式上方

原文：然后令分量 x2 相等

建议：然后算出分量

位置：p78 (2.170)式上方

原文：感召惯例

建议：按照惯例

位置：p84 (2.205)式下方

原文：其中 μk=ln⁡μk

建议：其中 ηk=ln⁡μk

位置：p85 (2.211)式

说明：公式最后一行漏了个 μj ，请参看原版。

位置：p85 (2.212)式下方

原文：回带

建议：回代

位置：p85 (2.214)式

说明：式中的 exp⁡(μk) 应为 exp⁡(ηk)

位置：p85 (2.217)式

说明：最右边的 exp⁡(μTx) 应为 exp⁡(ηTx)

位置：p86 (2.224)上方

μ 取梯度

η 取梯度

位置：p86 (2.224)式

ηTμ(x) 应为 ηTu(x)

位置：p86 (2.228)式下方

原文：那么公式(2.228)的右侧变成了 [u(x)]

建议：那么公式(2.228)的右侧变成了 E[u(x)]

位置：p89 中间

原文：流入，如果生成数据的过程是单峰的

建议：例如，如果生成数据的过程是单峰的

位置：p91 (2.250)式下方

原文：令每个数据点都服从高斯分布

建议：将高斯函数应用到每个数据点

位置：p91 (2.251)式上方

原文：对于箱子狂赌的选择

建议：对于箱子宽度的选择

位置：p104 (3.21)式上方

原文：我们也可以关于噪声精度参数

建议：我们也可以针对噪声精度参数

位置：p107 (3.31)式下方

原文：是一个M为向量

建议：是一个M维向量

位置：p107 最后一行

原文：我们值考虑

建议：我们只考虑

位置：p113 (3.57)式下方

p(t|w,w,β)

p(t|w,β)

位置：p118 (3.66)式下面

原文：先验分布让我们能够表达不同模型之间的优先级

建议：先验分布让我们能够表达对不同模型之间的偏好

原文：它表达了数据展现出的不同模型的优先级

建议：它表达了数据展现出的对不同模型的偏好

位置：p121 (3.74)式上面

原文：或者被称为推广的最大似然

建议：或者被称为广义最大似然

位置：p136 (4.24)式上面

原文：一位空间

建议：一维空间

位置：p136 (4.27)式

位置：p138 (4.41)式

位置：p139 (4.54)式下方

原文：其中 ϕn=ϕ(xn) 和 M 表示所有误分类模式的集合。

建议：其中 ϕn=ϕ(xn) ，且 M 表示所有误分类模式的集合。

位置：p147 中央

原文：另一种方法是显示地使用一般的线性模型的函数形式

建议：另一种方法是显式地使用一般的线性模型的函数形式

位置：p147 中央

原文：在直接方法中

建议：而直接方法是

说明：本段分为两部分，分别介绍直接方法和间接方法。使用这种表达会清楚一些。

位置：p168 上方

原文：这就使得误差函数在权空间的某些方向上是常数

建议：这就使得误差函数在权空间的某些方向上不变

位置：p168 上方

原文：对应的多分类交叉熵错误函数

建议：对应的多分类交叉熵误差函数

位置：p169 (5.31)式上方

原文：根据公式(5.18)

建议：根据公式(5.28)

位置：p198 (5.161)上方

原文：精度（方差的倒数）β为

建议：精度（方差的倒数）为β

链接：https://www.zhihu.com/question/35992297/answer/67009652 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 通常从一个CS小白开始学Machine Learning或者Data Mining，到成长为一个独当一面的大牛，都会看几种类型的书：以《数学之美》为代表的科普类读物。通常作用为开发兴趣的。《 机器学习 实战》、《推荐系统实践》、《海量数据挖掘》等实践类书籍。在学中用，在用中学，实践中摸清套路。顺便了解一些基本模型。《统计学习方法》、《数据挖掘导论》、《数据挖掘（韩家炜）》等介绍类书籍。会对ML方面涉及到的技术做一个浅层次的介绍和全方位的了解，有少量数学内容和推导。《 PRML 》、《ESL》、《MLAPP》这类进阶类书籍。包涵大量理论知识和数学推导（尤其是习题），有助于了解Machine Learning方法背后的本质和思想。Machine Learning学习的过程，就是一个 what -> how -> why 的过程。而 PRML ，或者说同类的ESL等书籍，最大的作用就是让你知道为什么会有这样的方法，为什么会有这样的模型，它背后的intuition和motivation是什么。而这恰恰是一个Machine Learning Researcher想要进一步使用模型、看懂别人paper中的模型、甚至自己提出新模型的基础。看 PRML 会带给你在Machine Learning上的理解和使用能力一个质的飞跃。 Pattern Recognition And Machine Learning（ 模式识别 与 机器学习 ）一直是提供了 模式识别 与 机器学习 领域最为权威而综合的介绍（comprehensive introduction）。在学习前，应掌握基础的多元微积分以及线性代数、概率论等。 PRML 适用于 机器学习 、统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学等课程。书中包括400多个练习，根据... 前言，第6页11行。“③人们在学习对象技术时，缺乏明确的起点和清晰的学习思路。当然，” 更正：③人们在学习对象技术时，缺乏明确的起点和清晰的学习思路，这一点将在[（5）PLP]中说明。当然， 任一中文的计算机图书中，符号的问题广泛存在。本书的印刷编辑已经作出了巨大努力，但仍然有许多误用。 通常不影响阅读。 目录，7.3.1 Class类。其