Alle Optimierungen abgeschlossen.

chapters/Mathematische_Grundlagen/Constraint_Optimization.tex

@@ -33,6 +33,8 @@ Man spricht hierbei dann von einem Dual Optimization Problem
     \bm\lambda^*=\argmax_{\bm\lambda} g(\bm\lambda), g(\bm\lambda)= \min_{\bm x}L(\bm x,\bm\lambda)
 \end{equation}
 Hieraus ergibt sich der folgende Ablauf für die Lagrangian Optimization
+\pagebreak
+
 \begin{mybox}
    \textbf{\large Lagrangian Optimization}\\
    \begin{enumerate}

chapters/Mathematische_Grundlagen/Gaussian_Identities.tex

@@ -73,7 +73,7 @@ Gegeben: Marginal (\cref{eq:marginal_gaussian_distribution}) und Conditional (\c
 \section{Gaussian Propagation}%
 \label{sec:Gaussian Propagation}
 Mit den Marginal und Conditional aus \cref{eq:marginal_gaussian_distribution} und \cref{eq:conditional_gaussian_distribution} ist es möglich den Conditional $p(\bm y)$ zu ermitteln:\\
-({\color{red}Herleitung Vorlesung 07 Folie 31})
+(Herleitung: \cref{sec:Herleitung: Gaussian Propagation})
 \begin{itemize}
     \item Mean: \tabto{2.2cm}$\bm\mu_{\bm y} = \bm F\bm\mu_{\bm x}$
     \item Covariance:\tabto{2.2cm} $\nomeq{covariance}_{\bm y} = \sigma_{\bm y}^2\nomeq{identity_matrix} + \bm F\nomeq{covariance}_{\bm x}\bm F^T$

chapters/Mathematische_Grundlagen/Kernel_Basics.tex

@@ -75,7 +75,7 @@ und ist die am häufigsten genutzte Kernel Methode
 \begin{equation} \label{eq:gaussian_kernel}
     \nomeq{kernel_function}(\bm x,\bm y) = \exp\left(-\frac{\|\bm x - \bm y\|^2}{2\nomeq{variance}}\right)
 \end{equation}
-{\color{red}Beweis für die positive Definitheit in Vorlesung 04 Seite 14 f.}
+(Beweis für die positive Definitheit in \cref{sec:Beweis fuer die positive Definitheit des Gaussian Kernels})
 
 \section{Kernel Trick}%
 \label{sec:Kernel Trick}