kleine Fehler ausgebessert. Ersten Eintrag im Anhang angelegt.

chapters/Bayesian_Learning/Bayesian_Learning.tex

@@ -19,7 +19,7 @@ Hierbei haben die einzelnen Teile folgende Eigenschaften:
     \item Posterior: Wahrscheinlichkeit für die Richtigkeit von \nomf{parameter_vector} auf Basis der gegebenen Daten
     \item Likelihood: Wahrscheinlichkeitswerte der Daten auf Basis eines gegebenen \nomf{parameter_vector}
     \item Prior: Vermutete Richtigkeit von \nomf{parameter_vector}
-    \item Evidence: lediglich ein Normalisierungsfaktor, der für den Modellvergleich benötigt wird (\cref{Model Comparison})
+    \item Evidence: lediglich ein Normalisierungsfaktor, der für den Modellvergleich benötigt wird (\cref{cha:Model Selection})
 \end{itemize}
 Die Vorhersage für einen neuen Datenpunkt $\bm x^*$ erfolgt auf Basis folgender Formel:
 \begin{equation} \label{eq:bayesian_learning:predictive_distribution}

chapters/Classical_Supervised_Learning/Linear_Classification.tex

@@ -244,7 +244,7 @@ Die Loss Function für die Logistic Regression kann dank der Eigenschaften der \
 \begin{align} \label{eq:gradient_for_logistic_regression}
     \dfrac{\partial\text{loss}_i}{\partial\bm{w}} 
     &= \dfrac{\partial}{\partial\bm{w}}\left(c_i\log\nomeq{sigmoid}(\bm{w}^T\bm{\phi}(\bm{x}_i)) + (1 - c_i) \log(1-\nomeq{sigmoid}(\bm{w}^T\bm{\phi}(\bm{x}_i)))\right)\\
-    &= \dots\text{\color{red}siehe Vorlesung 02 Folie 65}\\
+    &= \dots\text{\cref{sec:Herleitung: Gradient for Logistic Regression}}\\
     &= (c_i - \nomeq{sigmoid}(\bm{w}^T\bm{\phi}(\bm{x}_i)))\phi(\bm{x}_i)
 \end{align}