add: 改正错误

Author: jindongwang

src/chaps/ch00_prefix.tex

@@ -88,6 +88,12 @@ \section*{说明}
 
 \textit{\\由于作者水平有限，不足和错误之处，敬请不吝批评指正。}
 
+\textbf{手册的相关资源：}
+
+网站(内含勘误表)：\url{http://t.cn/RmasEFe}
+
+开发维护地址： \url{http://github.com/jindongwang/transferlearning-tutorial}
+
 作者的联系方式：
 
 \textit{邮箱}: {\ttfamily jindongwang@outlook.com}，\textit{知乎}:{\ttfamily 王晋东不在家}。

src/chaps/ch06_distributionadapt.tex

@@ -40,7 +40,7 @@ \subsubsection{基本思路}
 
 \subsubsection{核心方法}
 
-边缘分布自适应的方法最早由香港科技大学杨强教授团队提出~\cite{pan2011domain}，方法名称为迁移成分分析(Transfer Component Analysis)。由于$P(\mathbf{x}_s) \ne P(\mathbf{x}_t)$，因此，直接减小二者之间的距离是不可行的。TCA假设存在一个特征映射$\phi$，使得映射后数据的分布$P(\phi(\mathbf{x}_s)) \approx P(\phi(\mathbf{x}_s))$。TCA假设如果边缘分布接近，那么两个领域的条件分布也会接近，即条件分布$P(y_s | \phi(\mathbf{x}_s))) \approx P(y_t | \phi(\mathbf{x}_t)))$。这就是TCA的全部思想。因此，我们现在的目标是，找到这个合适的$\phi$。
+边缘分布自适应的方法最早由香港科技大学杨强教授团队提出~\cite{pan2011domain}，方法名称为迁移成分分析(Transfer Component Analysis)。由于$P(\mathbf{x}_s) \ne P(\mathbf{x}_t)$，因此，直接减小二者之间的距离是不可行的。TCA假设存在一个特征映射$\phi$，使得映射后数据的分布$P(\phi(\mathbf{x}_s)) \approx P(\phi(\mathbf{x}_t))$。TCA假设如果边缘分布接近，那么两个领域的条件分布也会接近，即条件分布$P(y_s | \phi(\mathbf{x}_s))) \approx P(y_t | \phi(\mathbf{x}_t)))$。这就是TCA的全部思想。因此，我们现在的目标是，找到这个合适的$\phi$。
 
 但是世界上有无穷个这样的$\phi$，也许终我们一生也无法找到合适的那一个。庄子说过，吾生也有涯，而知也无涯，以有涯随无涯，殆已！我们肯定不能通过穷举的方法来找$\phi$的。那么怎么办呢？
 

src/main.pdf

@@ -79,6 +79,9 @@
 					<li>
 						4.1.1节最后一段最后一句话：“... 却并给出(也难以给出)P 的具体形式。” 应为： “... 却并未给出(也难以给出)P的具体形式。”  
 					</li>
+					<li>
+						TCA的介绍中“TCA假设存在一个特征映射$\phi$，使得映射后数据的分布$P(\phi(\mathbf{x}_s)) \approx P(\phi(\mathbf{x}_s))$” 这里的公式应改为 “$P(\phi(\mathbf{x}_s)) \approx P(\phi(\mathbf{x}_t))$”
+					</li>
 				</ol>
 			</div>
 		</div>