参考书版本为2019年05月第1次印刷，在这之后的印刷版本有可能进行过修订，愿本书越来越完善。
-
$P_{14}$ 贝叶斯估计与极大似然估计在思想上有很大的不同，代表着统计学中频率学派和贝叶斯学派对统计的不同认识，这里贝叶斯估计对应了贝叶斯学派，而极大似然估计对应的是频率派，应该把贝叶斯学派和频率学派换一下顺序。 -
$P_{257}$ $X=(x_{ij}){m\times n}$应该是$X=[x{ij}]_{m\times n}$ -
$P_{246}$ 输入空间是欧氏空间$X\sube \mathbf R^d$其实这里用$X\sube \mathbf R^m$表示是不是更好一点，不容易乱，后面的空间都是$m$维，对应的还有$P_{247}$中$\mathbf R^d, \mathbf R^{d'}$ -
$P_{49}$ 关于KNN提出的年限，实际上这个文献是1967年的，而书中说是1968年提出的。 -
$P_{320}$ 参考文献4，应该是1404.1100不是14016.1100 -
$P_{29}$ 精确率和召回率的定义(1.41)和(1.42) $$ P=\frac{TP}{TP+FP}\ R=\frac{TP}{TP+FN} $$ -
$P_{30}$ $F_1$ 定义，(1.44) $$ F_1=\frac{2TP}{2TP+FP+FN} $$ -
$P_{245}$ $x \in X, z \in Z$ 这部分在第一章$P_8$的无监督学习部分定义是$x \in \mathcal{X}, z \in \mathcal{Z}$ -
$P_{257}$ 公式14.6中，转置符号用了斜体$d_{ij}=\left[(x_i-x_j)^TS^{-1}(x_i-x_j)\right]^{\frac{1}{2}}$ 转置应该是和其他转置一样，是正体$d_{ij}=\left[(x_i-x_j)^\mathrm TS^{-1}(x_i-x_j)\right]^{\frac{1}{2}}$ -
$P_{265}$ 算法14.2中描述的输出$C^\cdot$应该是$C^$， 因为算法描述中最后输出的是$C^$ -
$P_{261}$ 算法14.1，输入:n个样本组成的样本集合及样本之间的距离，其中样本之间的距离不应该是输入条件。 -
$P_{452}$ 公式D.2上面一行，$R^n$中与$Y$中的每一向量正交的向量集合，应该是$\mathbf R^n$ -
$P_{451}$ 关于张成，在第二小节之上的一行$span{v_1,v_2,\cdots,v_n}=V$用的是{}，前面定义的是$span(v_1,v_2,\cdots,v_n)$，用() -
$P_{452}$ 公式D.1中$R^n$应为$\mathbf{R}^n$ -
$P_{274}$ $V_1=[\begin{array}&\nu_1&\nu_2&\cdots&\nu_r\end{array}]$$V_2=[\begin{array}&\nu_{r+1}&\nu_{r+2}&\cdots&\nu_n\end{array}]$，这部分定义用的是$\nu$，而后面用到的时候用的都是$v$，比如公式15.8, 15.12, 15.15 -
$P_{275}$ 公式15.14下面那行，$U_1$的列向量构成了一组标准$\color{red}正交集$ -
$P_{279}$ 图15.1中标记的$\Sigma$ 应该是$\mit\Sigma$ -
$P_{286}$ 公式15.25中$(a_{ij})^2$看起来不是很习惯，完全可以用$a_{ij}^2$表示，类似的还有$P_{293}$中总结的第7点 -
$P_{293}$ $p=\min{m,n}$ 应该是$p=\min (m,n)$ -
$P_{293}$ 第6点，奇异值$\sigma_i$应该是$\sigma_j$ -
$P_{293}$ 第6点，从$AA^\mathrm{T}$的特征值这句，虽然$A^\mathrm{T}A$和$AA^\mathrm{T}$的特征值是一样的，但是不太理解这里为什么写成$AA^\mathrm{T}$，不知道是不是笔误。 -
$P_{313}$ 求方差贡献率$\sum\limits_{i=1}^k\eta_i$达到预定值的主成分个数$k$，这个应该是累计方差贡献率 -
$P_{316}$ 公式16.52,16.53, 以及$X^{\prime\mathbf{T}}X$,后面$X^{\prime}=\frac{1}{\sqrt{n-1}}X^\mathbf{T}$中的$X^\mathbf{T}$应该是$X^\mathrm{T}$ -
$P_{310}$ 样本矩阵$\mit \boldsymbol{X}$，应该是$X$。或者说，写成$X$才和其他表达是一致的。 -
$P_{327}$ 17.1节最后一句，这一结果完全从话题-文本矩阵的信息中获得应该是单词-文本矩阵吧 -
$P_{329}$ 这个例子并没有按照书中其他例子的格式编号，$P_{330}$中的表格，也没有表格编号和标题。下面截断奇异值分解的结果，其实应该算是个图。