erste Vorlesung Deep Learning hinzugefügt. Akronyme überarbeitet.

chapters/Supervised Learning/Linear Machines.tex

@@ -64,7 +64,7 @@
             \includegraphics[width=.8\textwidth]{Perzeptron_Lernalgorithmus_symmetrisch.png}
 
     \section{\ac{VC-Dimension}}\label{vc-dimension}
-        Die \acl{VC-Dimension} gibt ein Maß für die \say{learning power} einer Klassifizierung.
+        Die \ac{VC-Dimension} gibt ein Maß für die \say{learning power} einer Klassifizierung.
 
         \subsection{Shattering}
             \say{Here we will only consider functions that correspond to the two-class pattern recognition case, so that $g(\bm{m}, y) \in \{-1, 1\}\forall x, y$.
@@ -149,8 +149,8 @@
             Das Strukturelle Risiko wird durch das empirische Risiko $R_{emp}(\bm{w})$ (\ref{empirical risk}) und den Kapazitätsterm $\varepsilon(N,\kappa,h)$ (\ref{capacity term}) definiert.\\
             \includegraphics[width=.6\textwidth]{structural_risk.png}
 
-            \subsubsection{\acl{SRM}}
-                \ac{SRM} kann entweder dadurch erreicht werden,
+            \subsubsection{\ac{SRM}}
+                Eine Reduzierung kann entweder dadurch erreicht werden,
                 dass das empirische Risiko (\ref{empirical risk}) bei gleichbleibenden $\varepsilon$ (\ref{capacity term}) reduziert wird,
                 oder durch eine Reduzierung von $\varepsilon$ bei gleichbleibenden empirischen Risiko.
                 Letzteres ist der Ansatz den die \ac{SVM}s (\ref{svm}) verfolgen.

chapters/Supervised Learning/SVM.tex

@@ -1,4 +1,4 @@
-\chapter{\acl{SVM}}\label{svm}
+\chapter{\ac{SVM}}\label{svm}
     \ac{SVM}s können als lineare (\ref{linear machines}) oder nicht-lineare Maschinen aufgebaut werden.\\
     \begin{tabular}{|p{.475\textwidth}|p{.475\textwidth}|}
         \hline
@@ -16,7 +16,7 @@
         \hline
     \end{tabular}
 
-    \section{lineare \acl{SVM}}
+    \section{lineare \ac{SVM}}
         \begin{wrapfigure}{h}{.6\textwidth}
             \vspace{-10mm}
             \includegraphics[width=.6\textwidth]{svm_base.png}
@@ -74,7 +74,7 @@
             \subsubsection{Sparsity}
                 \ac{SVM}s sind \say{sparse learning machines}, da Sie meist nur von wenigen Support Vektoren abhängen.
     
-    \section{nicht-lineare \acl{SVM}}\label{non linear svm}
+    \section{nicht-lineare \ac{SVM}}\label{non linear svm}
         \ac{SVM}s können auch dafür benutzt werden, nicht-linear-trennbare Cluster zu teilen.
         Hierfür müssen einige mathematischen Tricks angewandt werden.
 
@@ -118,8 +118,7 @@
         \subsection{Polynomialer Kernel}
             \includegraphics[width=.8\textwidth]{kernel_trick_polynomial_kernel.png} 
 
-            \subsubsection{Beispiel: Gausian \acl{RBF} Kernel}
-                Der \say{Gausian \ac{RBF}} Kernel ist definiert durch:
+            \subsubsection{Beispiel: Gausian \ac{RBF} Kernel}
                 $$K(\bm{m}_i,\bm{m}_j) = \exp\left(-\frac{||\bm{m}_1-\bm{m}_2||^2}{2\sigma^2}\right)$$
                 \includegraphics[width=\textwidth]{kernel_trick_example.png}