Embedded Files
全刷の誤植（第１～９刷に含まれます．）
・p.111: 8.3.1 ベイズフィルタの導出の2行目
修正前 行動a_{1:t}から自己位置s_tを推定する
修正後 行動a_{1:t-1}から自己位置s_tを推定する
第９刷までの誤植（第１～８刷にも含まれます．）
・p.35: 表3.2の最終行
修正前 |8| F(8) | A(2), C(3), B(4), E(5), D(6), G(7) （解は発見され終了）|
修正後 |8| F(8) | S(0), A(2), C(3), B(4), E(5), D(6), G(7) （解は発見され終了）|
第８刷までの誤植（第１～７刷にも含まれます．）
・p.158: 図11.8のキャプション
修正前 線形分散可能
修正後 線形分離可能
第７刷までの誤植（第１～６刷にも含まれます．）
・p.154: 式(11.16)の下の説明で、w_1(x), w_2(x),... となっていますが、実際にはwにxの依存性はないので，w_1, w_2,...が正しいです．
修正前 w = (w_1(x), w_2(x), \ldots , w_d(x))Tは重みベクトルである．
修正後 w = (w_1, w_2, \ldots , w_d)Tは重みベクトルである．
・p221: 付録の最初の説明で、「７番目の入力ベクトルを...」とありますが，これはt番目の誤植です．
修正前 ７番目の入力ベクトルをx_t
修正後 t番目の入力ベクトルをx_t
・p94にある、図7.3のシナリオBの割引累積報酬の数値が一部誤っていました．
修正前
修正後
第６刷までの誤植（第１～５刷にも含まれます．）
・P.114, P. 115, P. 116
誤植ではありませんが，図8.6, 8.7, 8.8の図に関して
1)移動 P(s_t|s_{t-1}, a_{t-1})
と書かれているのが誤解を招くとのご指摘を頂きました．
このセルに書かれているものは移動操作を行い，状態遷移確率を作用させた後の確率分布となっております．
移動確率が表されているわけではありません．
この点をクリアにするために以下のように修正します．
修正前 1)移動 P(s_t|s_{t-1}, a_{t-1})
修正後 1)移動後 \sum_{s_{t-1}}P(s_t|s_{t-1}, a_{t-1})F_{t-1}(s_{t-1})
・P.114
誤植ではありませんが，誤解を避けるために以下のように修正いたします．
修正前 なお，図中の値は小数点以下3 桁目を四捨五入して表示している．
修正後 なお，図中の値は厳密な計算結果に対して小数点以下3桁目を四捨五入して表示している．
・P.136 5行目
修正前 c2=(6+12+14)=32/3=
修正後 c2=(6+12+14)/3=32/3=
第５刷までの誤植（第１～４刷にも含まれます．）
・P.25
Algorithm 2.1 深さ優先探索
誤 ⑤s から接続していてまだ探査していない状態をすべてオープ
ンリストの先頭に追加する（スタックにプッシュする）．
→
正 ⑤s から接続していてまだ追加していない状態をすべてオープ
ンリストの先頭に追加する（スタックにプッシュする）．
Algorithm 2.2 幅優先探索
誤 s から接続していてまだ探査していない状態をすべてオープ
ンリストの末尾に追加する（キューにエンキューする）．
→
正 s から接続していてまだ追加していない状態をすべてオープ
ンリストの末尾に追加する（キューにエンキューする）．
・P.23
図2.8 物体操作タスクの状態空間図
（見えにくい場合はクリックして拡大してください．）
・P180
原文が多少誤解を招く表現でしたので，下記のように修正します．
（修正前）
記号論理では一般的に言葉の意味を「言葉が指し示す対象物」のように捉
えず，その文の真偽性のみを問題にする．
->（修正後）
記号論理では一般的に言葉の意味を「言葉が指し示す対象物」のように捉
えて問題にするのではなく，その文の真偽性を中心的な問題とする．
第４刷までの誤植（第１～３刷にも含まれます．）
・P. 63 Algorithm 5.1 動的計画法②
（誤）
および，その最大値を与えるstを・・・
（正）
および，その最大値を与えるst-1を・・・
・P141-142
具体的にはデータが高次元空間上で多変量正規分布（ガウス分布）に従っ
て分布していると仮定して，その分布の主軸方向（最も分散の大きい方向）を
発見し，それを第1 主成分とする．その後，その次に分散の大きい軸をとっ
て第2 主成分を抽出するというように，順次軸をとっていくことで，低次元
空間を得る．
->（修正後）
データが高次元空間上で分布していると仮定して，その分布の主軸方向
（最も分散の大きい方向）を発見し，それを第1 主成分とする．その後，
その次に分散の大きい軸をとって第2 主成分を抽出するというように，
順次軸をとっていくことで，低次元空間を得る．具体的にはデータの
分散共分散行列を固有値分解することにより求める事ができる．
>>説明
主成分分析ではデータが多変量正規分布に従っていると考えると
幾何学的な理解に大変役立ちます．ガウス分布というのは一般的に
ラグビーボールのような楕円の広がりを持っているわけですが，その最も
長い方向（長軸，主軸）を見つけてきて，また，それと垂直に第二，第三の
軸をとってくるのが主成分分析なわけです．
また，この「広がり」は分散共分散行列によって表現されています．数学
的にはこの軸を見つけてくる計算が初等線形代数で学ぶ「固有値分解」に
よって実現されるという点も，大変味わい深いものです．
さて，そういうこともあり，主成分分析を「多変量正規分布（ガウス分布）に従っ
て分布していると仮定して」考えることを推奨するような気持で「仮定して」
と書いてしまっておりましたが，実際には，その仮定は「必要ではない」ので，
修正させていただきます．
また，ある意味，ついでではありますが，具体的にな計算方法についても，
一文を加えておきました．正直，主成分分析は大変面白い内容であるにも
かかわらず（そして，人工知能分野において基盤的な技術！）本書では
ちらりと触れることしかできていませんので，是非，他書で学ばれることを
第３刷までの誤植（第１刷，第２刷にも含まれます．）
・P.48, P.49, P.51, P.52
（誤）プレーヤー ->（正） プレイヤー
４箇所において記述のゆらぎがあります．修正ください．
１３章
．P. 185 (13.5)式
（誤）～∧（（￢（Q∨R）∨P) ・・・・含意の除去
（正）～∧（￢（Q∨R）∨P) ・・・・含意の除去
左括弧が一つ多いです．
・P.187 (13.16)式
左端の矢印
（誤）⇔
（正）⇒
同値ではありません．
・P. 233
第１４章４(3)の解答の図
前提１と組み合わされるのは前提３のP(a)ですが，
矢印の根本が L(a)になってしまっています．
L(a)からではなくP(a)から O(a)∨K(a)∨S(a)に矢印が伸びるように変更してください．
・P.230
第９章④の解答
（誤）それぞれの重みは(1/10, 1/10, 1/5, 2/5)
（正）それぞれの重みは(1/10, 1/5, 2/5, 1/10)
（誤）リサンプリングされる確率は（1/8, 1/8, 1/4, 1/2）
（正）リサンプリングされる確率は（1/5, 1/5, 2/5, 0）
第１刷，第２刷 までの誤植（第３刷以降では修正済み）
４章
「4.1.1 はじめに」の3段落目の4行目
「ホールダック2号にとって 行動の選択肢は?」と書かれていますが，
「ホイールダック2号にとって行動の選択肢は?」の誤りです．
６章 確率とベイズ理論の基礎
・P.79
式(6.20) 分母のΣの添字がC_k ではなく k です．
# C_k でも間違いではないが，(6.19)ではkのためkの方が妥当．
７章 強化学習
・P.90 本文中に「オペラント条件付け」という記述がございますが，正しくは「オペラント条件づけ」になります．
・P.103 (7.23)式で定義されているボルツマン選択の式が間違っています．マイナスを消して下さい．
（誤） exp(-β Q(s_t, a_t)) => exp(β Q(s_t, a_t)) // マイナスが不要．
８章 位置推定（１）：ベイズフィルタ
・P.117 章末問題④
（誤）部分観測マルコフ決定過程の過程に基づいて
（正）部分観測マルコフ決定過程の仮定にもとづいて
章末問題解答
９章 位置推定（２）：粒子フィルタ
式（9.18）プリントミス
※肩にのる(i)の位置がおかしくなっています．
１０章
・P. 135 式(10.2)
Σの下の和をとるインデックスが左がj (ジェー)で，右があらゆる i についてになります．
・P.139
・複数のクラス -> 複数のクラスタ
・P.190
問3 の解答が P.232 で 3 となっていますが，
正しい解答は
1. ∃ｘ( have(I,x) ∧ bag(x) )
になります．
以上，大変申し訳ございませんでした．
修正の上，ご活用いただければ幸いです．
Page updated
Google Sites
Report abuse