深層学習 https://asciidwango.jp/post/171302668055/%E6%B7%B1%E5%B1%A4%E5%AD%A6%E7%BF%92 の誤植
２０１９年４月購入の、 Kindle 版。（）内は、私のコメント。
最終更新 ２０１９年６月６日
3.9.3
誤
2 つ 目 は， 同じ 分散 を 持つ すべて の 確率分布 の 中 で， 正規分布 は 実数 における 不確実 性 の 最大 と なる 量 を 符号化 する
原文
encodes the maximum amount of uncertainty
正
最大の不確実性を符号化する（くらいの方が、日本語として読みやすいでしょう。）
3.14
誤
相互 に つながっ て いる ノード の あらゆる 集合 は， いずれ も クリーク と 呼ば れる．
原文
Any set of nodes that are all connected to each other
正
全て相互 に つながっ て いる ノード の集合 は，
4.1 (4.1) 式の後のパラグラフ
誤
代わりに softmax(z) を計算することで解決できる。
正
z = x - maxi xi とした softmax(z) を
4.4 の脚注
誤
KKT 法 は ラグランジュ の 未定 乗数 法（ Lagrange multipliers） を 一般化 し た もの で， 等式 制約 を 許容 し 不等式 制約 は 許容 し ない．
正
KKT 法 は ラグランジュ の 未定 乗数 法（ Lagrange multipliers） を 一般化 し た もの である。後者は， 等式 制約 を 許容 し 不等式 制約 は 許容 し ない．
5.1.3
誤
やで， この よう な 種類 や 形 の 異なる データ を 扱う 方法 を 説明 する．
正
9.7 節や 10 章で、このような
誤
図5.5 が、5.2 と同じ。
正
左のグラフは、水平線になるはず。
6.1 (6.11) の前
誤
に示したように各事例は
正
図６．１に示したように
6.5.4
誤
損失 関数 の 例 について は{\ boldsymbol{ v}}' = {\boldsymbol{ A}} {\boldsymbol{ v}} = {\boldsymbol{ v}} を 参照）
正
6.2.1.1 節を参照
7章、深層学習の観点では、で始まる段落
誤
で汎化と過剰適合について
正
5章で
7.3
誤
この 行列 は， データ 生成 分布 が 任意 の 方向 で 真に 分散 を 持た ない 場合 は 必ず， そう で なけれ ば 入力 の 特徴 量（ の 列） よりも サンプル 数（ の 行） が 少ない ため に 任意 の 方向 で 分散 が 観察 さ れ ない とき は， 特異 になり うる．
正
この 行列 は， データ 生成 分布 がある方向で実際に分散を持たない場合は必ず， そう で なけれ ば 入力 の 特徴 量（X の 列） よりも サンプル 数（X の 行） が 少ない ため に ある方向 で 分散 が 観察 さ れ ない とき は， 特異 になり うる．
7.12
誤
具体的には、ドロップアウトは、。。出力のないユニットを削除し、
原文
nonoutput units
正
出力層以外のユニット
８章
誤
勾配に基づく。。読者はを振り返ることを勧める。
正
４章を
8.1.3
誤
確率的手法の標準的な例の1つに。。これはで詳細に説明
正
8.3.1 節で詳細に
8.2.1
誤
に、ニューラルネットワークの訓練がうまく進んでいる
正
図８．１に
8.2.3
誤
Goodfellow et al. (2015) では， で 示す 例 の よう な，
正
9章
誤
一般的 な 方針 について はを 参照 さ れ たい．
正
9.10
誤
アテンション メカニズム はで 説明 する よう に，
正
10.1
誤
変数 は， の 右図 の よう に
正
10.2.3
誤
原則 として ほとんど すべて の 損失 を 利用 する こと が できる
正
原理的には、どんな 損失 を 利用 する こともできる。（しかし、と続く。）
10.2.3
誤
回帰 結合 型 ネットワーク の パラメータ を 削減 し た こと によって， その パラメータ の 最適化 が 困難 に なる
原文
price recurrent networks pay for their reduced number of parameters is that optimizing the parameters may be difficult.
正
回帰 結合 型 ネットワーク の パラメータ数を 削減 することの弊害は、パラメータ の 最適化 が 困難 に なる（削減したのなら、そのパラメータは最適化できないよね、変だな、と思ったら少し違った。）
10.4
誤
では、 RNN が入力系列を
正
10.7 節のタイトル
誤
再帰型ニューラルネットワーク長期依存性の課題
原文
The Challenge of Long-Term Dependencies
正
長期依存性の課題（あえて入れるなら、回帰結合型）
11.3
誤
にあるように、訓練集合の
正
11.6
誤
n 個 の ソフトマックスユニット で 構成 さ れ， n 個 の 文字列 を 予測 し た
原文
sequence of n characters
正
n 文字のシーケンス を 予測 し た
12.5.2.1
誤
は これ で 終わる が
正
14.2.1
誤
見方 はで 説明 し て いる
正
3部
誤
本書 ので 議論 さ れる よう に
正
14.2.2
誤
雑音 除去 自己 符号化 器 はで より
正
14.4
誤
その後， の 最小 化 によって 自己 符号化 器
正
14.7
誤
縮小 ペナルティ 項 は， で 議論
たとえば， に 示し た 1 次元
正
15.1
誤
はに 示し た 教師 あり 事前 学習
正
15.6
誤
理想的な表現とは、。。変動の原因因子をひもとくものである
原文
disentangles the causal factors of variation
正
個々の変動の原因因子を分離して明らかにするものである。（くらいで、どうかな。紐を、ほどく、のは原義であるが。）
16.2.4
誤
物理的 な エネルギー を 指し， 任意 の 符号 を もた ない
原文
does not have arbitrary sign.
正
符号は任意ではない（正定値に決まっている。エネルギーだから。ここでは、 -E は物理屋さんのノーテーションだから従うように、という話をしている。）
17.2
誤
これは p(x) が小さく、p(x) も f(x) もそれを
正
q(x) が小さく
以上