verlinkungen zur Vorlesung in Anhang gepackt.

chapters/Mathematische_Grundlagen/Gaussian_Identities.tex

@@ -51,7 +51,7 @@ in die umgewandelt werden kann:
 \section{Gaussian Bayes Rules}%
 \label{sec:Gaussian Bayes Rules}
 Es gibt zwei bayesische Regeln für die Errechnung des Posteriors:\\
-({\color{red}Herleitung Vorlesung 07 Folien 28 und 29})\\
+(Herleitung: \cref{sec:Herleitung: Gaussian Bayes Rules})\\
 Gegeben: Marginal (\cref{eq:marginal_gaussian_distribution}) und Conditional (\cref{eq:conditional_gaussian_distribution})
 \begin{itemize}
     \item Gaussian Bayes Rule 1:

chapters/Mathematische_Grundlagen/Kernel_Basics.tex

@@ -124,4 +124,4 @@ weshalb hier nur mit dem \nameref{sec:Gradient Descent} Verfahren (\cref{sec:Gra
 und auch hierbei potentiell nur ein lokales Optimum gefunden wird.
 \subsubsection{Beispiele}%
 \label{ssub:Beispiele}
-({\color{red}siehe Vorlesung 07 Folie 55 ff.})
+siehe \cref{sec:Beispiele fuer die Optimierung von Hyper-Parametern eines Gaussian Kernels}

chapters/Mathematische_Grundlagen/Probability_Theory.tex

@@ -216,7 +216,7 @@ In diesem Zusammenhang berechnet sich die \gls{MLE} durch:
     \begin{equation} \label{eq:MLE:conditional}
         \log\text{lik}(\bm{\theta};D) = \sum_i \log p_{\bm{\theta}}(y_i|x_i) 
     \end{equation}
-    {\color{red} Erklärung: siehe Folien 21 und 22 in Vorlesung 2}
+    Erklärung: \cref{sec:Zusaetzliche Informationen: MLE: conditional log-likelihood}
 
 \section{\glstoplong{KL} Divergenz}%
 \label{sec:KL-Divergenz}