(역자 정보의 역자 소개 중에서)

현재정보기술 연구소 연구원
->
현대정보기술 연구소 연구원 

(저자서문, 데이터를 수집, 분석, 이용하는 다양한 기법을 배운다.)

l1=[1,2,3,4,5,6,7,8,9]
print [v*10 for v in l1 if v1>4]

---------->
l1=[1,2,3,4,5,6,7,8,9]
print [v*10 for v in l1 if v>4]

print문에서 v1이 아니라 v 

(p.21 마지막 줄에서)

검색 사용자들의 위한
->
검색 사용자들을 위한 

(p.30 가운데 예제 중, 마지막에서)

>> critics['Toby']
{'Snakes on a Plane': 4.5, 'You, Me and Dupree': 1.0}

->

>> critics['Toby']
{'Snakes on a Plane': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 1.0}

(31페이지 하단 코드)

31페이지 하단 코드는
>> sqrt(pow(5-4,2)+pow(2-1,2)

--->

>> sqrt(pow(4.5-4,2)+pow(1-2,2))
>> 1.1180339887498949


32페이지에서
>> 1/(1+sqrt(pow(5-4,2)+pow(4-1,2)))

-->

>> 1/(1+sqrt(pow(4.5-4,2)+pow(1-2,2)))
>> 0.47213595499957939

(32페이지)

return 1/1(+sum_of_squares)  

=> return 1/(1+sqrt(sum_of_squares)) 

(p.32 마지막 실행예제에서)

>>> recommendations.sim_distance(recommendations.critics, 
...   'Lisa Rose', 'Gene Seymour')
0.148148148148

-->

>>> recommendations.sim_distance(recommendations.critics, 
...   'Lisa Rose', 'Gene Seymour')
0.29429805508554946

(7번째 줄)

영화 슈퍼맨(Superman)은 믹 라셀라(Mick LaSalle)가 2점으로 평가했고,
->
영화 슈퍼맨(Superman)은 믹 라셀라(Mick LaSalle)가 3점으로 평가했고,

(35페이지 밑에서 4째줄)

사용할 유사도 인자로 sim_pearson 또는 sim_vector

--->

사용할 유사도 인자로 sim_pearson 또는 sim_distance 

(p.39 첫 번째 실행 예제에서)

>>> recommendations.getRecommendations(recommendations.critics, 'Toby',
...   similarity=recommendations.sim_distance)
[(3.5002478401415877, 'The Night Listener'), (2.7561242939959363, 'Lady in the Water'), (2.4619884860743739, 'Just My Luck')]

->

>>> recommendations.getRecommendations(recommendations.critics, 'Toby',
...   similarity=recommendations.sim_distance)
[(3.457128694491423, 'The Night Listener'), (2.7785840038149239, 'Lady in the Water'), (2.4224820423619167, 'Just My Luck')]

----------------------
sim_distance 함수의 오타를 수정할 경우 출력값이 위와 같이 바뀝니다.  
 

(p.44의 가운데 실행예제에서)

>> delusers ['tsegaran']={} # 딜리셔스를 사용하다면 딕셔너리에 여러분의 계정을 적어라

->

>> delusers['tsegaran']={} # 딜리셔스를 사용한다면 딕셔너리에 여러분의 계정을 적어라

(p.47 '항목 비교 데이터 세트 생성'의 마지막 실행 예제에서)

 >>> itemsim
{'Lady in the Water': [(0.40000000000000002, 'You, Me and Dupree'), 
                       (0.2857142857142857, 'The Night Listener'), ... 
 'Snakes on a Plane': [(0.22222222222222221, 'Lady in the Water'),
                       (0.18181818181818182, 'The Night Listener'), ...
등등

->

>>> itemsim
{'Lady in the Water': [(0.4494897427831781, 'You, Me and Dupree'), 
                       (0.38742588672279304, 'The Night Listener'), ... 
 'Snakes on a Plane': [(0.34833147735478831, 'Lady in the Water'),
                       (0.32037724101704074, 'The Night Listener'), ...
등등

----------------------
sim_distance 함수의 오타를 수정할 경우 출력값이 위와 같이 바뀝니다.    

(p.49 첫 번째 실행예제에서)

>>> recommendations.getRecommendedItems(recommendations.critics, itemsim, 'Toby')
[(3.182, 'The Night Listener'),
 (2.598, 'Just My Luck'),
 (2.473, 'Lady in the Water')]

->

>>> recommendations.getRecommendedItems(recommendations.critics, itemsim, 'Toby')
[(3.167, 'The Night Listener'),
 (2.937, 'Just My Luck'),
 (2.869, 'Lady in the Water')]

----------------------
sim_distance 함수의 오타를 수정할 경우 출력값이 위와 같이 바뀝니다.     

(p.55 'section 01'의 마지막에서 두 번째 줄에서)

NNMF(non-nagative matrix factorization;

->

NMF(non-negative matrix factorization; 

(57)

for feedurl in file('feedlist.txt'):
title,wc=getwordcounts(feedurl)

->

feedlist = []

for feedurl in file('feedlist.txt'):
feedlist.append(feedurl)
title,wc=getwordcounts(feedurl) 

(71페이지 3장 6절)

>>[rownames[r] for r in k[0]]
...
>>[rownames[r] for r in k[1]]
...


위 소스는 
rownames와 k 대신 blognames와 kclust가 되어야 합니다.

>>[blognames[r] for r in kclust[0]]
...
>>[blognames[r] for r in kclust[1]]

(88p 두번째 문단 첫재쭐 마지막부터)

넓이 우선 탐색 <<중략>> 고칠 수도 있다. 또한  <<중략>> 고칠수도 있다 . 이때 스택이 넘치지 않도록 조심해야 한다.

-> 너비 우선 탐색 <<중략>> 구현하면  <<중략>> 고치기 쉬워진다. 덧붙여, 스택 오버플로우의 위험도 피할 수 있게 된다.

(108 페이지 상단 4째줄)

마지막 계층은 가중치를 가인 검색 결과 URL 목록을 출력한다.
--->
마지막 계층은 가중치를 가진 검색 결과 URL 목록을 출력한다.

(109페이지 하단 소스)

from mat import tanh
--->
from math import tanh

(125p 상단 코드 5째줄, 6째줄)

125p 상단 코드 5째줄, 6째줄
r[d] -> r[d*2]
r[d+1] -> r[d*2+1]


127p 8째줄 21째줄
sol[d] -> sol[d*2]
sol[d+1] -> sol[d*2+1]

(129p 둘째줄)

return r
->
return bestr

(256페이지 코드부분)

plot(xdm,ydm,'go')
plot(sdn,ydn.'ro')

----->

plot(xdm,ydm,'go')
plot(sdn,ydn.'r+')

책에서 언급하기를 배필이면 o, 그렇지 않으면 +라고 했는데,, 코드상에서는 색상만 틀리게 모두 o로 그리게 되어있네요,,, 

(261페이지(밑에서 첫째줄))

이 그림에는 "일치"(M0)와 "불일치"(X1)에 대한 두 개의 평균점 

---->

이 그림에는 "일치"(M0)와 "불일치"(M1)에 대한 두 개의 평균점 

(271 페이지 하단(밑에서 6번째줄))

아래의 nonlinearclassify를 advancedclassify.py에 추가한다.

---->

아래의 nlclassify 함수를 advancedclassify.py에 추가한다. 

(273페이지 하단 2째줄)

[그림 5-10]에 그 모습이 있다.

-->

[그림 9-10]에 그 모습이 있다.

(277 페이지 하단(끝에서 첫번째줄))

8장에서 이 기능의 동작원리를 살펴볼 것이다.

--->

8장에서 이 기능의 동작원리를 살펴보았다.

(p.388 '모든 플랫폼에서 설치'의 첫 번째 명령어에서)

svn checkout http://pydelicious.googlecode.com/svn/trunk/pydelicious.py

->

svn checkout http://pydelicious.googlecode.com/svn/trunk pydelicious