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

chapters/Mathematische_Grundlagen/Probability_Theory.tex

@@ -167,7 +167,7 @@ Die Verteilung wird durch den \nomf{mean-vector} und die \nomf{covariance} volls
     \item die Summe von zwei gaußschen Normalverteilungen ist wieder eine gaußsche Normalverteilung
 \end{itemize}
 
-\section{\glsxtrfull{MLE}}%
+\section{\texorpdfstring{\glsxtrfull{MLE}}{\glsfmtfull{MLE}}}%
 \label{sec:MLE}
 Für einen gegebenen Trainingsdatensatz $D=\{(x_i,y_i)\}_{i=1\dots N}$ von unabhängig und identisch verteilten Zufallsvariablen (\gls{iid})
 auf Basis einer Wahrscheinlichkeitsdichtefunktion $p_{\text{data}}$ soll ein $\bm{\theta}$ gefunden werden,
@@ -183,7 +183,7 @@ In Bezug auf den Gesamten Datensatz bedeutet dies:
     \text{lik}(\bm{\theta};D) = \prod_i p_{\bm{\theta}}(x_i,y_i)
 \end{equation}
 Und die Log-likelihood ist definiert durch:
-\begin{equation} \label{eq:fittness_theta_whole_dataset}
+\begin{equation} \label{eq:loglik_theta_whole_dataset}
     \log\text{lik}(\bm{\theta};D) = \sum_i \log p_{\bm{\theta}}(x_i,y_i)
 \end{equation}
 Dieser wird zumeist für die Optimierung vewendet, da
@@ -211,7 +211,7 @@ In diesem Zusammenhang berechnet sich die \gls{MLE} durch:
         \nomeq{mean} &= \dfrac{\sum_i x_i}{N}
     \end{align}
 
-\subsection{\glsxtrshort{MLE}: conditional log-likelihood}%
+\subsection{\texorpdfstring{\glsxtrshort{MLE}}{\glsfmtshort{MLE}}: conditional log-likelihood}%
 \label{sub:MLE: conditional log-likelihood}
     \begin{equation} \label{eq:MLE:conditional}
         \log\text{lik}(\bm{\theta};D) = \sum_i \log p_{\bm{\theta}}(y_i|x_i)