前言：
PRML是嚴肅學習機器學習的首選教材。雖然內容略微陳舊，但是從寫作水平來說，目前沒有與之匹敵的其他讀物。可惜我英語水平有限，原著讀起來很容易疲勞，幸得網上流傳的PRML中譯版，整體流暢嚴謹，顯然是譯者在有相當理解的基礎上翻譯的。只是閱讀的過程中偶有卡殼，結合英文版原著，發現有些小問題，這里都列出來，方便其他讀者。根據我的閱讀進度，本文會不定期更新。
位置：p11 (1.2)上面
原文：$x_n$的預測值$y(x_n,\boldsymbol w)$與目標值$t_n$的平方和
建議：$x_n$的預測值$y(x_n,\boldsymbol w)$與目標值$t_n$之差的平方和
位置：p21 (1.32)下面
原文：把每個實數變量除以區間的寬度△
建議：把每個實數變量划分為寬度為△的區間
位置：p23 中間
原文：袁術數據集
建議：原始數據集
位置：p23 (1.60) 式
說明：公式抄寫有誤，右括號位置不對。請參考原作
位置：p29倒數第二段
原文：如果驗證機很小
建議：如果驗證集很小
位置：p32 下半部分
原文：然后把方向變量積分出來
建議：然后把方向變量積分掉
說明：當時閱讀這行沒看懂，后來看原文是"integrate out"。這里意思是，二重積分中有兩個變量，先將方向變量通過積分可以消去，只剩下半徑，變成一重積分。
位置：p33 最后一行
原文：通過貝葉斯定理修改
建議：通過貝葉斯定理校正
說明：revised翻譯為修改，不是太好理解。當然，我建議的翻譯未必更好。所以看不懂的地方看看原文吧。
位置：p52 中間
原文：多項式分布
建議：多項分布
說明：Multinomial和多項式沒關系，譯文中出現過“多元分布”和“多項式分布”兩種提法，建議統一改成“多項分布”
位置：p56 (2.24)式下方
原文：由於這個方差是一個整數
建議：由於這個方差是一個正數
位置：p61 (2.54)式
原文：公式抄寫有誤，$|J^2|$應為$|J|^2$。讀者可參考原文
位置：p61 (2.54)式下方
原文：行列式$|\Sigma|$的協方差矩陣可以寫成特征值的乘積
建議：協方差矩陣的行列式$|\Sigma|$可以寫成特征值的乘積
位置：p62 (2.60)式上方
原文：項$\mu\mu^T$是常數，可以從積分中拿出。它本⾝等於單位矩陣，因為⾼斯分布是歸⼀化的。
建議：項$\mu\mu^T$是常數，可以從積分中拿出，此時積分為1，因為⾼斯分布是歸⼀化的。
位置：p64 (2.70)式下方
原文：“完成平方項“
建議：“配平方”
原文：我們一直一個二次型
建議：我們已知一個二次型
位置：p64 (2.73)式下方
原文：現在考慮公式（2.70）中所有$x_a$的常數項
建議：現在考慮公式（2.70）中所有$x_a$的一階項
位置：p70 (2.127)式下方
原文：如果我們有觀測z和$\theta$的一個大數據集
建議：如果我們有一個包含z和$\theta$觀測值的大數據集。
位置：p76 (2.159)式上方
原文：$p(x|\mu a,b)$
建議：$p(x|\mu,a,b)$
位置：p78 (2.168)式上方
原文：然后令分量$x_1$和$x_2$相等
建議：然后算出分量$x_1$和$x_2$
位置：p78 (2.170)式上方
原文：感召慣例
建議：按照慣例
位置：p84 (2.205)式下方
原文：其中$\mu_k=\ln\mu_k$
建議：其中$\eta_k=\ln\mu_k$
位置：p85 (2.211)式
說明：公式最后一行漏了個$\mu_j$，請參看原版。
位置：p85 (2.212)式下方
原文：回帶
建議：回代
位置：p85 (2.214)式
說明：式中的$\exp(\mu_k)$應為$\exp(\eta_k)$
位置：p85 (2.217)式
說明：最右邊的$\exp(\boldsymbol\mu^T\boldsymbol x)$應為$\exp(\boldsymbol\eta^T\boldsymbol x)$
位置：p86 (2.224)上方
原文：對$\mu$取梯度
建議：對$\eta$取梯度
位置：p86 (2.224)式
說明：$\eta^T\mu(x)$應為$\eta^Tu(x)$
位置：p86 (2.228)式下方
原文：那么公式(2.228)的右側變成了$[u(x)]$
建議：那么公式(2.228)的右側變成了$E[u(x)]$
位置：p89 中間
原文：流入，如果生成數據的過程是單峰的
建議：例如，如果生成數據的過程是單峰的
位置：p91 (2.250)式下方
原文：令每個數據點都服從高斯分布
建議：將高斯函數應用到每個數據點
位置：p91 (2.251)式上方
原文：對於箱子狂賭的選擇
建議：對於箱子寬度的選擇
位置：p104 (3.21)式上方
原文：我們也可以關於噪聲精度參數
建議：我們也可以針對噪聲精度參數
位置：p107 (3.31)式下方
原文：是一個M為向量
建議：是一個M維向量
位置：p107 最后一行
原文：我們值考慮
建議：我們只考慮
位置：p113 (3.57)式下方
原文：$p(t|w,w,\beta)$
建議：$p(t|w,\beta)$
位置：p118 (3.66)式下面
原文：先驗分布讓我們能夠表達不同模型之間的優先級
建議：先驗分布讓我們能夠表達對不同模型之間的偏好
原文：它表達了數據展現出的不同模型的優先級
建議：它表達了數據展現出的對不同模型的偏好
位置：p121 (3.74)式上面
原文：或者被稱為推廣的最大似然
建議：或者被稱為廣義最大似然
位置：p136 (4.24)式上面
原文：一位空間
建議：一維空間
位置：p136 (4.27)式
公式抄錯
位置：p138 (4.41)式
公式抄錯
位置：p139 (4.54)式下方
原文：其中$\phi_n=\phi(x_n)$和$M$表示所有誤分類模式的集合。
建議：其中$\phi_n=\phi(x_n)$，且$M$表示所有誤分類模式的集合。
位置：p147 中央
原文：另一種方法是顯示地使用一般的線性模型的函數形式
建議：另一種方法是顯式地使用一般的線性模型的函數形式
位置：p147 中央
原文：在直接方法中
建議：而直接方法是
說明：本段分為兩部分，分別介紹直接方法和間接方法。使用這種表達會清楚一些。
位置：p168 上方
原文：這就使得誤差函數在權空間的某些方向上是常數
建議：這就使得誤差函數在權空間的某些方向上不變
位置：p168 上方
原文：對應的多分類交叉熵錯誤函數
建議：對應的多分類交叉熵誤差函數
位置：p169 (5.31)式上方
原文：根據公式(5.18)
建議：根據公式(5.28)
位置：p198 (5.161)上方
原文：精度（方差的倒數）β為
建議：精度（方差的倒數）為β