diff --git a/header.tex b/header.tex
index 8a6ec5a..4423fdc 100644
--- a/header.tex
+++ b/header.tex
@@ -233,7 +233,7 @@
% The cooler programming language.
\usepackage[within=chapter]{newfloat}
\DeclareFloatingEnvironment[
- fileextension=lob,
+ fileext=lob,
listname={\tr{Info Boxes}{Infoboxen}},
name={Info Box},
placement=t
diff --git a/likelihood/lecture/likelihood.tex b/likelihood/lecture/likelihood.tex
index 4620e20..bdeb82d 100644
--- a/likelihood/lecture/likelihood.tex
+++ b/likelihood/lecture/likelihood.tex
@@ -264,17 +264,17 @@ als Funktion eines Stimulusparameters ist dann die ``Tuning-curve''
\begin{figure}[tp]
\includegraphics[width=1\textwidth]{mlecoding}
- \titlecaption{\label{mlecodingfig} Maximum Likelihood Sch\"atzung eines
- Stimulusparameters aus der Aktivit\"at einer Population von
- Neuronen.}{Oben: Die Tuning-Kurve eines einzelnen Neurons in
- Abh\"angigkeit von der Orientierung eines Balkens. Der Stimulus
- der die st\"akste Aktivit\"at in diesem Neuron hervorruft ist ein
- senkrechter Balken (Pfeil, $\phi_i=90$\,\degree. Die rote Fl\"ache
- deutet die Variabilit\"at $p(r)$ der Aktivit\"at $r$ um die
- Tuning-Kurve herum an. Mitte: Jedes Neuron in der Population hat
- eine andere bevorzugte Orientierung des Stimulus (farbige Linien).
- Ein Stimulus einer bestimmten Orientierung aktiviert die Neurone
- in spezifischer Weise (Punkte). Unten: Die Log-Likelihood dieser
+ \titlecaption{\label{mlecodingfig} Maximum Likelihood Sch\"atzung
+ eines Stimulusparameters aus neuronaler Aktivit\"at.}{Oben:
+ Die Tuning-Kurve eines einzelnen Neurons in Abh\"angigkeit von der
+ Orientierung eines Balkens. Der Stimulus der die st\"akste
+ Aktivit\"at in diesem Neuron hervorruft ist ein senkrechter Balken
+ (Pfeil, $\phi_i=90$\,\degree. Die rote Fl\"ache deutet die
+ Variabilit\"at $p(r)$ der Aktivit\"at $r$ um die Tuning-Kurve
+ herum an. Mitte: Jedes Neuron in der Population hat eine andere
+ bevorzugte Orientierung des Stimulus (farbige Linien). Ein
+ Stimulus einer bestimmten Orientierung aktiviert die Neurone in
+ spezifischer Weise (Punkte). Unten: Die Log-Likelihood dieser
Aktivit\"aten wir maximal in der N\"ahe der wahren Orientierung
des Stimulus.}
\end{figure}
diff --git a/plotting/lecture/Makefile b/plotting/lecture/Makefile
index 9c5c90f..4626417 100644
--- a/plotting/lecture/Makefile
+++ b/plotting/lecture/Makefile
@@ -11,7 +11,7 @@ all: pdf slides thumbs
# script:
pdf : $(BASENAME)-chapter.pdf
-$(BASENAME)-chapter.pdf : $(BASENAME)-chapter.tex $(BASENAME).tex $(GPTTEXFILES) $(PYPDFFILES)
+$(BASENAME)-chapter.pdf : $(BASENAME)-chapter.tex $(BASENAME).tex $(GPTTEXFILES) $(PYPDFFILES) ../../header.tex
pdflatex -interaction=scrollmode $< | tee /dev/stderr | fgrep -q "Rerun to get cross-references right" && pdflatex -interaction=scrollmode $< || true
diff --git a/plotting/lecture/plotting.tex b/plotting/lecture/plotting.tex
index d4bd207..74f9195 100644
--- a/plotting/lecture/plotting.tex
+++ b/plotting/lecture/plotting.tex
@@ -62,7 +62,7 @@ nicht auf die genaue Lage der Datenpunkte ankommt.
\begin{figure}[t]
\includegraphics[width=0.7\columnwidth]{outlier}\vspace{-3ex}
- \titlecaption{Comicartige Darstellungen}{ sind f\"ur die Darstellung
+ \titlecaption{Comicartige Darstellungen.}{Sie sind f\"ur die Darstellung
wissenschaftlicher Daten nicht geeignet. F\"ur illustrative Beispiele
k\"onnen sie aber helfen, die wesentlichen Aspekte zu betonen.}\label{comicexamplefig}
\end{figure}
@@ -177,7 +177,7 @@ Einstellungsm\"oglichkeiten. Wie schon erw\"ahnt, k\"onnen diese
\begin{minipage}[t]{0.3\columnwidth}
\includegraphics[width=0.9\textwidth]{property_editor}
\end{minipage}
- \caption{\textbf{Graphisches Interface ``Plot Editor''.} \"Uber das Menu
+ \titlecaption{Graphisches Interface ``Plot Editor''.}{\"Uber das Menu
``Tools $\rightarrow$ Edit Plot'' erreicht man den Plot Editor. Je nachdem
welches Element des Plots ausgew\"ahlt wurde, ver\"andern sich
die Einstellungsm\"oglichkeiten. Weitere Eigenschaften und
@@ -244,7 +244,7 @@ die Farbe und die verschiedenen Marker.
\titlecaption{Vordefinierte Linienstile (links), Farben (Mitte) und Markersymbole (rechts).}{}\label{plotlinestyles}
\begin{minipage}[t]{0.3\textwidth}
\vspace{0pt}
- \begin{tabular}{c|l}
+ \begin{tabular}{lc} \hline
\textbf{Linienstil} & \textbf{K\"urzel} \\\hline
durchgezogen & '\verb|-|' \\
gestrichelt & '\verb|--|' \\
@@ -256,7 +256,7 @@ die Farbe und die verschiedenen Marker.
\begin{minipage}[t]{.3\textwidth}
\vspace{0pt}
\hspace{0.05\textwidth}
- \begin{tabular}{lc}
+ \begin{tabular}{lc} \hline
\textbf{Farbe} & \textbf{K\"urzel} \\ \hline
Rot & 'r'\\
Gr\"un & 'g' \\
@@ -270,7 +270,7 @@ die Farbe und die verschiedenen Marker.
\vspace{0pt}
\begin{minipage}[t]{0.3\textwidth}
\vspace{0pt}
- \begin{tabular}{lc}
+ \begin{tabular}{lc} \hline
\textbf{Markersymbol} & \textbf{K\"urzel} \\ \hline
Kreis & 'o'\\
Stern & '*' \\
@@ -296,7 +296,7 @@ einen roten Linienplot mit gepunkteter Linie der St\"arke 1.5 und
Sternmarkern an den Positionen der Datenpunkte. Zus\"atzlich wird noch
die Eigenschaft \codeterm{displayname} gesetzt, um dem Linienplot
einen Namen zu geben, der in einer Legende verwendet werden kann.
-\begin{lstlisting}
+\begin{lstlisting}[caption={Ein enfache Plot.}]
x = 0:0.1:2*pi;
y = sin(x);
plot( x, y, 'color', 'r', 'linestyle', ':', 'marker', '*', 'linewidth', 1.5, 'displayname', 'plot 1')
@@ -360,11 +360,11 @@ gerade aktiven Achse.
\codeterm{PaperSize} & Gr\"o{\ss}e der des Papiers. & 2-elementiger Vektor mit der Papiergr\"o{\ss}e.\\
\codeterm{PaperUnits} & Einheit, in der die Papiergr\"o{\ss}e bestimmt wird. & $\{'inches' | 'centimeters' | 'normalized' | 'points'\}$\\
\codeterm{Visible} & Hilfreich, wenn ein Plot aus Performanzgr\"unden nicht auf dem Bildschirm gezeigt, sondern direkt gespeichert werden soll. & $\{'on' | 'off'\}$\\ \hline
- \end{tabular}
+ \end{tabular*}
\end{table}
Wie die Achse, hat auch das \codeterm{Figure} Element eine Reihe von
-Eigenschaften, die nach Bedarf mit der \cide{set} - Funktion gesetzt
+Eigenschaften, die nach Bedarf mit der \code{set} - Funktion gesetzt
werden k\"onnen (Tabelle \ref{plotfigureprops} listet die
meistverwendeten). Das erste Argument f\"ur \code{set()} ist jetzt
aber eine Handle f\"ur die Abbildung, nicht das
@@ -383,7 +383,7 @@ erstes Argument wieder ein Handle auf die Figure erwartet. Das zweite
Argument ist der Dateiname, und zuletzt muss das gew\"unschte Format
(Box \ref{graphicsformatbox}) angegeben werden.
-\begin{lstlisting}[caption={Skript zur Erstellung des Plots in Abbildung \ref{spikedetectionfig}.}, label=niceplotlisting]
+\begin{lstlisting}[caption={Skript zur Erstellung des Plots in \figref{spikedetectionfig}.}, label=niceplotlisting]
figure()
set(gcf, 'PaperUnits', 'centimeters', 'PaperSize', [11.7 9.0]);
set(gcf, 'PaperPosition',[0.0 0.0 11.7 9.0], 'Color', 'white')
@@ -402,9 +402,9 @@ set(gca, 'TickDir','out', 'linewidth', 1.5, 'fontname', 'MyriadPro-Regular')
saveas(gcf, 'spike_detection.pdf', 'pdf')
\end{lstlisting}
-\begin{figure}
- \includegraphics[width=0.5\columnwidth]{spike_detection}
- \caption{\textbf{Annehmbarer Plot.} Dieser Plot wurde vollst\"andig
+\begin{figure}[t]
+ \includegraphics[width=0.4\columnwidth]{spike_detection}
+ \titlecaption{Annehmbarer Plot.}{Dieser Plot wurde vollst\"andig
mit dem Skript in Listing \ref{niceplotlisting} erstellt und
gespeichert.}\label{spikedetectionfig}
\end{figure}
diff --git a/regression/lecture/regression.tex b/regression/lecture/regression.tex
index 061f979..b6a6041 100644
--- a/regression/lecture/regression.tex
+++ b/regression/lecture/regression.tex
@@ -11,11 +11,11 @@ ein Optimierungsproblem, der als Kurvenfit bekannt ist
\begin{figure}[t]
\includegraphics[width=1\textwidth]{lin_regress}\hfill
- \titlecaption{.}{F\"ur eine Reihe von Eingangswerten $x$,
- z.B. Stimulusintensit\"aten, wurden die Antworten $y$ eines
- Systems gemessen (links). Der postulierte lineare Zusammenhang hat
- als freie Parameter die Steigung (mitte) und den
- $y$-Achsenabschnitt (rechts).}\label{linregressiondatafig}
+ \titlecaption{Beispieldatensatz f\"ur den Geradenfit.}{F\"ur eine
+ Reihe von Eingangswerten $x$, z.B. Stimulusintensit\"aten, wurden
+ die Antworten $y$ eines Systems gemessen (links). Der postulierte
+ lineare Zusammenhang hat als freie Parameter die Steigung (mitte)
+ und den $y$-Achsenabschnitt (rechts).}\label{linregressiondatafig}
\end{figure}
Die Punktewolke in \figref{linregressiondatafig} legt
@@ -169,7 +169,7 @@ beiden Parameter und auf der $z$-Achse der Fehlerwert aufgetragen
\begin{figure}[t]
\includegraphics[width=0.75\columnwidth]{error_surface.pdf}
- \caption{\textbf{Fehlerfl\"ache.} Die beiden freien Parameter
+ \titlecaption{Fehlerfl\"ache.}{Die beiden freien Parameter
unseres Modells $m$ und $b$ spannen die Grundfl\"ache des Plots
auf. F\"ur jede Kombination von Steigung $m$ und
$y$-Achsenabschnitt $b$ wird die errechnete Vorhersage des Modells
@@ -358,7 +358,7 @@ Punkte in Abbildung \ref{gradientdescentfig} gro{\ss}.
\begin{figure}[t]
\includegraphics[width=0.6\columnwidth]{gradient_descent}
- \caption{\textbf{Gradientenabstieg.} Es wird von einer beliebigen
+ \titlecaption{Gradientenabstieg.}{Es wird von einer beliebigen
Position aus gestartet und der Gradient berechnet und die Position
ver\"andert. Jeder Punkt zeigt die Position nach jedem
Optimierungsschritt an.} \label{gradientdescentfig}
diff --git a/statistics/lecture/statistics.tex b/statistics/lecture/statistics.tex
index 3929389..4667e03 100644
--- a/statistics/lecture/statistics.tex
+++ b/statistics/lecture/statistics.tex
@@ -217,14 +217,13 @@ Standardabweichung $\sigma$.
\begin{figure}[t]
\includegraphics[width=1\textwidth]{pdfhistogram}
- \titlecaption{\label{pdfhistogramfig} Histogramme mit
- verschiednenen Klassenbreiten eines Datensatzes von
- normalverteilten Messwerten.}{Links: Die H\"ohe des absoluten
- Histogramms h\"angt von der Klassenbreite ab. Rechts: Bei auf
- das Integral normierten Histogrammen werden auch
- unterschiedliche Klassenbreiten untereinander vergleichbar und
- auch mit der theoretischen Wahrschinlichkeitsdichtefunktion
- (blau).}}
+ \titlecaption{\label{pdfhistogramfig} Histogramme mit verschiednenen
+ Klassenbreiten von normalverteilten Messwerten.}{Links: Die H\"ohe
+ des absoluten Histogramms h\"angt von der Klassenbreite
+ ab. Rechts: Bei auf das Integral normierten Histogrammen werden
+ auch unterschiedliche Klassenbreiten untereinander vergleichbar
+ und auch mit der theoretischen Wahrschinlichkeitsdichtefunktion
+ (blau).}}
\end{figure}
\begin{exercise}{gaussianbins.m}{}
@@ -261,8 +260,7 @@ $\Delta x$ der Klassen geteilt werden (\figref{pdfhistogramfig}).
\begin{figure}[tp]
\includegraphics[width=1\textwidth]{correlation}
- \titlecaption{\label{correlationfig} Korrelationen zwischen zwei
- Datens\"atzen $x$ und $y$.}{}
+ \titlecaption{\label{correlationfig} Korrelationen zwischen Datenpaaren.}{}
\end{figure}
Bisher haben wir Eigenschaften einer einzelnen Me{\ss}gr\"o{\ss}e
@@ -285,10 +283,11 @@ nur unzureichend oder \"uberhaupt nicht erfasst (\figref{nonlincorrelationfig}).
\begin{figure}[tp]
\includegraphics[width=1\textwidth]{nonlincorrelation}
- \titlecaption{\label{nonlincorrelationfig} Nichtlineare Zusammenh\"ange
- werden durch den Korrelationskoeffizienten nicht erfasst.}{Sowohl
- die quadratische Abh\"angigkeit (links) als auch eine
- Rauschkorrelation (rechts), bei der die Streuung der $y$-Werte von
- $x$ abh\"angen, ergeben Korrelationskeffizienten nahe Null.
- $\xi$ sind normalverteilte Zufallszahlen.}
+ \titlecaption{\label{nonlincorrelationfig} Korrelationen von
+ nichtlineare Zusammenh\"angen.}{Der Korrelationskoeffizienten
+ erfasst nur lineare Zusammenh\"ange. Sowohl die quadratische
+ Abh\"angigkeit (links) als auch eine Rauschkorrelation (rechts),
+ bei der die Streuung der $y$-Werte von $x$ abh\"angen, ergeben
+ Korrelationskeffizienten nahe Null. $\xi$ sind normalverteilte
+ Zufallszahlen.}
\end{figure}