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

chapters/Kernel_Methods/Kernel-Regression.tex

@@ -45,7 +45,7 @@ Die Auswahl der passenden Hyperparameter (z.B. \nomsym{variance} für den \namer
     \label{fig:gaussian_kernel_model_selection}
 \end{figure}
 
-\section{Examples and comparison to \glsxtrshort{RBF} regression}%
+\section{Examples and comparison to \texorpdfstring{\glsxtrshort{RBF}}{\glsfmtshort{RBF}} regression}%
 \label{sec:Examples and comparison to RBF regression}
 \begin{center}
     \includegraphics[width=.9\textwidth]{kernel_regression_comparison.pdf}

chapters/Kernel_Methods/Support_Vector_Machines.tex

@@ -1,4 +1,4 @@
-\chapter{\glsfmtfull{SVM}}%
+\chapter{\texorpdfstring{\glsxtrfull{SVM}}{\glsfmtfull{SVM}}}%
 \label{cha:SVM}
 \glspl{SVM} sind eine Methode zur binären Klassifikation (\cref{sec:Binary Classification}).
 Anders als bei anderen Algorithmen werden die Klassen hierbei nicht mit 0 und 1,
@@ -52,7 +52,7 @@ dass $\nomeq{margin}=\frac{2}{\|\bm w\|}$ ist.
 \begin{wrapfigure}{r}{.5\textwidth}
     \centering
     \includegraphics[width=\linewidth]{svm_positive_negative_support.png}
-    \caption{Support Vektoren einer \glsxtrshort{SVM}}
+    \caption{Support Vektoren einer \texorpdfstring{\glsxtrshort{SVM}}{\glsxfmtshort{SVM}}}
     \label{fig:svm_positive_negative_support}
     \vspace*{-10mm}
 \end{wrapfigure}
@@ -62,7 +62,7 @@ Zudem lassen sich im gleichen Zug die positiven und negativen Support Vektoren d
     \item negativer Support Vektor: $\bm w^T \bm x_- + b = +1$
 \end{itemize}
 
-\subsection{\glsxtrshort{SVM} Optimization}%
+\subsection{\texorpdfstring{\glsxtrshort{SVM} Optimization}{\glsfmtshort{SVM} Optimization}}%
 \label{sub:SVM Optimization}
 Das Problem ist für das Maximum Margin Verfahren gegeben durch:
 \begin{equation} \label{eq:maximum_margin_optimization_problem}
@@ -117,7 +117,7 @@ Die Interpretation der \noms{slack-variable} erfolgt dabei wie folgt:
 \end{figure}
 
 \subsection{Optimization}%
-\label{sub:Optimization}
+\label{sub:Soft Max-Margin:Optimization}
 Das Optimierungsproblem für die Soft Max-Margin Methode ist gegeben durch:
 \begin{equation} \label{eq:soft_max-margin_optimization}
     \argmin_{\bm w, \bm\xi} \|\bm w\|^2 + C\sum_i^N\nomeq{slack-variable}\qquad y_i(\bm w^T\bm x_i + b)\ge 1-\nomeq{slack-variable}, \nomeq{slack-variable}\ge 0
@@ -154,10 +154,10 @@ Im Falle des Hinge Loss bedeutet das:
 \end{equation}
 
 \section{Anwendungsbeispiele}%
-\label{sec:Anwendungsbeispiele}
+\label{sec:SVM:Anwendungsbeispiele}
 {\color{red} siehe Vorlesung 06 Folien 34 ff.}
 
-\section{\glsxtrshortpl{SVM} with Kernels}%
+\section{\texorpdfstring{\glsxtrshortpl{SVM} with Kernels}{\glsfmtshortpl{SVM} with Kernels}}%
 \label{sec:SVMs with Kernels}
 Mithilfe des Kernel Tricks (\cref{sec:Kernel Trick}) und der Lagrangian Optimization (\cref{sec:Lagrangian Multipliers}) kann die \gls{SVM}-Optimierung als Dual Optimization Problem formuliert werden ({\color{red} Herleitung Vorlesung 06 Folien 52-56}):
 \begin{itemize}
@@ -185,6 +185,6 @@ Die verstellbaren Parameter sind hierbei:
     \item die Parameter des gewählten Kernels 
 \end{itemize}
 
-\subsection{Beispiele}%
-\label{sub:Beispiele}
+\subsubsection{Beispiele}%
+\label{ssub:SVM:Model Selection:Beispiele}
 {\color{red} siehe Vorlesung 06 Folien 57-60 und 62-63}