Fixed warnings related to the use of glossaries in section titles.

chapters/Classical_Supervised_Learning/Linear_Classification.tex

@@ -53,7 +53,7 @@ $\bm{w}$ ist der Normalvektor (normal) zur Geraden und $b$ das Bias.
 \includegraphics[width=\textwidth]{linear_separability.png}
 
 \subsection{Optimization}%
-\label{sub:Optimization}
+\label{sub:Binary Classification:Optimization}
 Um den linearen Klassifikator zu optimieren sind mehrere Methoden denkbar.
 \subsubsection{0-1 loss}%
 \label{ssub:0-1 loss}
@@ -210,7 +210,7 @@ Dies stellt eine Approximation des tatsächlich erwarteten Verlustes nach dem Pr
     \mathbb{E}_{\bm{x}}\left[l(\bm{x};\bm{\theta})\right]\qquad \bm{\theta}_{t+1} = \bm{\theta}_t - \eta\mathbb{E}_{\bm{x}}\left[\nabla_{\bm{\theta}} l(\bm{x};\bm{\theta}_t)\right]
 \end{equation}
 
-\subsection{\glsxtrfull{SDG}}%
+\subsection{\texorpdfstring{\glsxtrfull{SDG}}{\glsfmtfull{SDG}}}%
 \label{sub:SDG}
 \begin{wrapfigure}{r}{.5\textwidth}
     \vspace*{-15mm}

chapters/Classical_Supervised_Learning/Linear_Regression.tex

@@ -83,7 +83,7 @@ Dies ermöglicht es mittels der linearen Regression auch jede nicht-lineare Funk
 indem eine passende \nomf{vector_valued_function} gefunden wird.
 
 \subsection{Beispiele}%
-\label{sub:Beispiele}
+\label{sub:linear Regression:Beispiele}
 \subsubsection{Polynomial Curve Fitting}%
 \label{ssub:Polynomial Curve Fitting}
 \begin{wrapfigure}{r}{.4\textwidth}

chapters/Classical_Supervised_Learning/Model_Selection.tex

@@ -101,7 +101,7 @@ Um die Nachteile der \nameref{sub:Hold-out Mehtod} zu umgehen wird meist die Cro
 
 \subsubsection{Sonderformen der Cross Validation}%
 \label{ssub:Sonderformen der Cross Validation}
-    \paragraph{\glsxtrfull{LLO} Cross Validation}%
+    \paragraph{\texorpdfstring{\glsxtrfull{LLO} Cross Validation}{\glsfmtfull{LLO} Cross Validation}}%
     \label{par:LLO Cross Validation}
     Sonderform, bei der $k=n$,
     wodurch es genau so viele Durchläufe wie Datenpunkte gibt
@@ -158,7 +158,7 @@ Man spricht hierbei von Data Augmentation.
         \centering
         \includegraphics[width=\linewidth]{artificial_noise2.png}
         \caption{mögl. Diskriminanten mit künstlichen Noise}
-        \label{fig:regression_without_artifical_noise}
+        \label{fig:regression_with_artifical_noise}
     \end{subfigure}
     \caption{Einfluss von künstlichen Noise}
     \label{fig:artificial_noise}

chapters/Classical_Supervised_Learning/Trees_and_Forests.tex

@@ -1,6 +1,6 @@
 \chapter{Trees and Forests}%
 \label{cha:Trees and Forests}
-\section{\glsxtrfull{CART}}%
+\section{\texorpdfstring{\glsxtrfull{CART}}{\glsfmtfull{CART}}}%
 \label{sec:CART}
 
 \begin{wrapfigure}[8]{r}{.5\textwidth}
@@ -77,7 +77,7 @@ In dieser Formel gibt $p_L(k)$ an,
 welchen Anteil die Klasse $k$ auf der linken Seite des Splits hat.
 
 \subsection{Beispiele}%
-\label{sub:Beispiele}
+\label{sub:CART:Beispiele}
 \subsubsection{Classification Tree}%
 \label{ssub:Classification Tree}
 \includegraphics[width=.6\textwidth]{classification_tree.png}

chapters/Classical_Supervised_Learning/k-Nearest_Neighbors.tex

@@ -1,4 +1,4 @@
-\chapter{\glsfmtfull{knn}}%
+\chapter[\glsfmtfull{knn}]{\texorpdfstring{\glsxtrfull{knn}}{\glsfmtfull{knn}}}%
 \label{cha:k-Nearest Neighbors}
 Beim \gls{knn}-Verfahren wird dem System eine Reihe von gelabelten Trainingsdaten übergeben.
 Für die Klassifizierung erfolgt durch