fixed some figure legends

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}