diff --git a/Glossary.tex b/Glossary.tex
index c763191..5cf285b 100644
--- a/Glossary.tex
+++ b/Glossary.tex
@@ -77,6 +77,7 @@
 \newacronym{RSS}{RSS}{Residual Sum of Squares}
 \newacronym{CART}{CART}{Classification an Regression Trees}
 \newacronym{DNN}{DNN}{Dynamic Neural Network}
+\newacronym{RBF}{RBF}{Radial Basis Function Kernel}
 
 %--------------------
 %nomenclature
@@ -121,6 +122,9 @@
 \newnom{variance}{Varianz}{\sigma^2}{$\mathbb{E}_p[(X-\nomeq{mean})$]}{}
 \newnom{sigmoid}{Sigmoid Function}{\sigma}{}{}
 \newnom{learning_rate}{Learning Rate}{\eta}{}{}
+\newnom{kernel_matrix}{Kernel Matrix}{\bm{K}}{}{}
+\newnom{kernel_function}{Kernel Function}{k}{}{}
+\newnom{kernel_vector}{Kernel Vector}{\bm{k}}{}{}
 \shorthandoff{"}
 
 \makeglossaries
diff --git a/ML_Zusammenfassung.tex b/ML_Zusammenfassung.tex
index 7313fe2..0235af4 100644
--- a/ML_Zusammenfassung.tex
+++ b/ML_Zusammenfassung.tex
@@ -35,6 +35,7 @@
     \label{part:Mathematische Grundlagen}
     \input{chapters/Mathematische_Grundlagen/Lineare_Algebra.tex}
     \input{chapters/Mathematische_Grundlagen/Probability_Theory.tex}
+    \input{chapters/Mathematische_Grundlagen/Kernel_Basics.tex}
 
     \part{Classical Supervised Learning}
     \label{part:Classical Supervised Learning}
diff --git a/chapters/Kernel_Methods/Kernel-Regression.tex b/chapters/Kernel_Methods/Kernel-Regression.tex
index 9719e74..720e875 100644
--- a/chapters/Kernel_Methods/Kernel-Regression.tex
+++ b/chapters/Kernel_Methods/Kernel-Regression.tex
@@ -1,3 +1,5 @@
 \chapter{Kernel-Regression}%
 \label{cha:Kernel-Regression}
 
+WEITER AUF FOLIE 294
+
diff --git a/chapters/Mathematische_Grundlagen/Kernel_Basics.tex b/chapters/Mathematische_Grundlagen/Kernel_Basics.tex
new file mode 100644
index 0000000..40dc217
--- /dev/null
+++ b/chapters/Mathematische_Grundlagen/Kernel_Basics.tex
@@ -0,0 +1,97 @@
+\chapter{Kernel Basics}%
+\label{cha:Kernel Basics}
+\section{Was ist ein Kernel?}%
+\label{sec:Was ist ein Kernel?}
+Ein Kernel definiert eine Vergleichsfunktion $\nomeq{kernel_function}:\mathcal X \times \mathcal X \rightarrow \mathbb{R}$,
+welche eine Aussage über die Ähnlichkeit von Datensätzen $x\in\mathcal{X}$ gibt.
+Die Ausgabewerte lassen sich hierbei in einer Matrix \nomsym{kernel_matrix} - der sogenannten \noms{kernel_matrix} - darstellen.
+Beispielsweise lässt sich ein Datensatz $\mathcal S = \{\bm x_1,\dots,\bm x_n\}$ durch eine $n\times n$ Matrix repräsentieren,
+bei der $\nomeq{kernel_matrix}_{ij} = \nomeq{kernel_function}(\bm x_i, \bm x_j)$ gilt.
+
+Die Matrix \nomsym{kernel_matrix} hat dabei folgende Eigenschaften:
+\begin{itemize}
+    \item \nomsym{kernel_matrix} ist immer eine $n\times n$-Matrix
+    \item Die Wahl der Funktion \nomsym{kernel_function} ist unabhängig vom Algorithmus,
+        der den Kernel verwendet
+    \item schlechte Skalierung für größere Datensätze $O(n)$ für die Errechnung und Speicherung von \nomsym{kernel_matrix}
+\end{itemize}
+
+\section{Positive Definite Kernels}%
+\label{sec:Positive Definite Kernels}
+Eine positiv definite \nomf{kernel_function} ist eine Funktion, die 
+\begin{enumerate}
+    \item Symmetrisch ist:
+        $$ \forall \bm x,\bm x': \nomeq{kernel_function}(\bm x, \bm x') = \nomeq{kernel_function}(\bm x', \bm x) $$
+    \item deren \nomf{kernel_matrix} immer positiv definit (symmetrisch und nur positive Eigenwerte) ist:
+        $$ \bm a^T\nomeq{kernel_matrix}\bm a = \sum_{i=1}^n \sum_{j=1}^n a_i a_j \nomeq{kernel_function}(\bm x_i, \bm x_j)\ge 0,\qquad \forall\bm a, \forall S=\{\bm x_1,\dots,\bm x_n\}$$
+\end{enumerate}
+
+\subsection{Example: Linear Kernel}%
+\label{sub:Example: Linear Kernel}
+Der lineare Kernel ist der einfachste Kernel für Vektoren.
+Die \nomf{kernel_function} definiert einfach nur das skalare Produkt (siehe \cref{sec:Vektoren})
+\begin{equation} \label{eq:linear_kernel_function}
+    \nomeq{kernel_function}(\bm x,\bm x') = \langle \bm x,\bm x' \rangle
+\end{equation}
+Für diesen Kernel ist offensichtlich,
+dass er immer positiv definit ist:
+\begin{equation} \label{eq:linear_kernel_positive_definite}
+    \sum_{i=1}^n \sum_{j=1}^n a_i a_j \langle \bm x_j, \bm x_j \rangle = \| \sum_i a_i \bm x_i \|^2 \ge 0
+\end{equation}
+
+\subsubsection{Kernel in Feature Space}%
+\label{ssub:Kernel in Feature Space}
+Für eine Feature Function $\phi:\mathcal X\rightarrow\mathbb{R}^d$ kann eine \nomf{kernel_function} erstellt werden,
+indem das skalare Produkt der Feature Function gebildet wird:
+\begin{equation} \label{eq:linear_kernel_feature_function}
+    k(\bm x,\bm x') = \langle\phi(\bm x),\phi(\bm x')\rangle
+\end{equation}
+Auch hier kann gezeigt werden,
+dass der Kernel positiv definit ist.
+Mehr sogar.
+Das Theorem von Aransjan aus dem Jahr 1950 besagt,
+dass es für jeden positiv definiten Kernel einen Feature Space $\mathcal H$ gibt.
+
+\subsection{Polynomial Kernel}%
+\label{sub:Polynomial Kernel}
+\begin{itemize}
+    \item Polynomieller Kernel vom Grad 1: Linear Kernel (\cref{sub:Example: Linear Kernel})
+    \item Polynomieller Kernel vom Grad 2: $\phi(\bm x) = [x_1^2, \sqrt{2}x_1 x_2, x_2^2]$ für $\bm x = [x_1,x_2]^T$
+        \begin{align} \label{eq:polynomial_kernel_2}
+            \nomeq{kernel_function}(\bm x,\bm x') &= x_1^2 {x'}_1^2 + 2x_1 x_2 x'_1 x'_2 + x_2^2 {x'}_2^2\\
+                            &= (x_1 x'_1 + x_2 x'_2)^2 x_1 x_2\\
+                            &= \langle\bm x,\bm x'\rangle^2
+        \end{align}
+    \item Polynomieller Kernel vom Grad $d$:
+        \begin{equation} \label{eq:polynomial_kernel_d}
+            \nomeq{kernel_function}(\bm x, \bm x') = \langle \bm x,\bm x'\rangle^d 
+        \end{equation}
+\end{itemize}
+
+\subsection{Gaussian Kernel}%
+\label{sub:Gaussian Kernel}
+Der Gaussian Kernel wird auch als \gls{RBF} oder Squared Expoential Kernel bezeichnet
+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.}
+
+\section{Kernel Trick}%
+\label{sec:Kernel Trick}
+Der eigentliche Grund für die Nutzung von Kernels wird als Kernel Trick bezeichnet.
+Durch die Verwendung eines entsprechenden Kernels ist es möglich einen Datenpunkt $x$ auf einen unendlich großen Feature Space (z.B. einen Function Space) zu mappen,
+ohne dabei den eigentlichen Feature Vector errechnen zu müssen.
+Es muss lediglich möglich sein,
+das skalare Produkt von zwei Feature Vektoren zu bestimmen.
+Dies ermöglicht es viele Algorithmen (z.B. \nameref{cha:Linear Classification} oder \nameref{cha:Linear Regression}) effizienter durchzuführen.
+
+
+\section{Kernel Identities}%
+\label{sec:Kernel Identities}
+\begin{itemize}
+    \item $\bm\Phi_X = \begin{bmatrix} \bm\phi(\bm x_1)^T\\\vdots\\\bm\phi(\bm x_N)^T \end{bmatrix} \in \mathbb{R}^{N\times d}$
+    \item $\nomeq{kernel_matrix} = \bm\Phi_X\bm\Phi_X^T$
+    \item $\nomeq{kernel_vector}(\bm x^*) = \begin{bmatrix} \nomeq{kernel_function}(\bm x_1,\bm x^*) \\\vdots\\\nomeq{kernel_function}(\bm x_N,\bm x^*)  \end{bmatrix}
+        = \begin{bmatrix} \bm\phi(\bm x_1)^T\bm\phi(x^*)\\\vdots\\\bm\phi(\bm x_N)^T \bm\phi(x^*) \end{bmatrix} = \bm\Phi_X\bm\phi(\bm x^*)$
+\end{itemize}