前言：
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
原文：$x_n$的预测值$y(x_n,oldsymbol w)$与目标值$t_n$的平方和
建议：$x_n$的预测值$y(x_n,oldsymbol w)$与目标值$t_n$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，$|J^2|$应为$|J|^2$。读者可参考原文
位置：p61 (2.54)式下方
原文：行列式$|Sigma|$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$|Sigma|$可以写成特征值的乘积
位置：p62 (2.60)式上方
原文：项$mumu^T$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。
建议：项$mumu^T$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$x_a$的常数项
建议：现在考虑公式（2.70）中所有$x_a$的一阶项
位置：p70 (2.127)式下方
原文：如果我们有观测z和$ heta$的一个大数据集
建议：如果我们有一个包含z和$ heta$观测值的大数据集。
位置：p76 (2.159)式上方
原文：$p(x|mu a,b)$
建议：$p(x|mu,a,b)$
位置：p78 (2.168)式上方
原文：然后令分量$x_1$和$x_2$相等
建议：然后算出分量$x_1$和$x_2$
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$mu_k=lnmu_k$
建议：其中$eta_k=lnmu_k$
位置：p85 (2.211)式
说明：公式最后一行漏了个$mu_j$，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$exp(mu_k)$应为$exp(eta_k)$
位置：p85 (2.217)式
说明：最右边的$exp(oldsymbolmu^Toldsymbol x)$应为$exp(oldsymboleta^Toldsymbol x)$
位置：p86 (2.224)上方
原文：对$mu$取梯度
建议：对$eta$取梯度
位置：p86 (2.224)式
说明：$eta^Tmu(x)$应为$eta^Tu(x)$
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
原文：$p(t|w,w,eta)$
建议：$p(t|w,eta)$
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
公式抄错
位置：p138 (4.41)式
公式抄错
位置：p139 (4.54)式下方
原文：其中$phi_n=phi(x_n)$和$M$表示所有误分类模式的集合。
建议：其中$phi_n=phi(x_n)$，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