diff --git a/header.tex b/header.tex
index 8118614..fe89c66 100644
--- a/header.tex
+++ b/header.tex
@@ -238,11 +238,10 @@
 \newenvironment{ibox}[2][tp]
 {\SetupFloatingEnvironment{iboxf}{placement=#1}%
   \begin{iboxf}%
-    \stepcounter{iboxf}%
-    \captionof{iboxf}{#2}%
+    \captionsetup{singlelinecheck=off,labelfont={large,sf,it,bf},font={large,sf,it,bf}}
     \begin{mdframed}[linecolor=yellow!40,linewidth=1ex,%
       backgroundcolor=yellow!15,font={\sffamily},%
-      frametitle={Info Box \theiboxf: #2},frametitlefont={\large\sffamily\itshape\bfseries},%
+      frametitle={\caption{#2}},frametitleaboveskip=-1ex,%
       frametitlebackgroundcolor=yellow!40]}%
 {\end{mdframed}%
   \end{iboxf}}
diff --git a/programming/lecture/data_acquisition.py b/programming/lecture/data_acquisition.py
index 1c6d24e..4f455a8 100644
--- a/programming/lecture/data_acquisition.py
+++ b/programming/lecture/data_acquisition.py
@@ -6,10 +6,11 @@ fig = plt.figure()
 ax = fig.add_subplot(111)
 y = np.asarray([-10, 10]) * 2.**16/20.
 ax.plot([-10, 10], y, color='dodgerblue', lw=1.5)
-ax.set_xlabel('measured voltage [V]')
-ax.set_ylabel('digitized value')
+ax.set_xlabel('Measured voltage [V]')
+ax.set_ylabel('Digitized value')
 ax.set_xlim([-10.05, 10.05])
-ax.set_ylim([-2**15, 2**15 + 1])
+ax.set_ylim([-2**15, 2**15-1])
+ax.set_yticks([-2**15, -2**14, 0, 2**14, 2**15-1])
 ax.spines["right"].set_visible(False)
 ax.spines["top"].set_visible(False)
 ax.yaxis.set_ticks_position('left')
@@ -20,8 +21,8 @@ ax.tick_params(direction="out", width=1.25)
 ax.tick_params(direction="out", width=1.25)
 ax.grid()
 fig.set_facecolor("white")
-fig.set_size_inches(5., 5.)
+fig.set_size_inches(4., 3.6)
 fig.tight_layout()
-fig.savefig("images/data_acquisition.pdf")
+fig.savefig("data_acquisition.pdf")
 
 plt.close()
diff --git a/programming/lecture/logicalIndexingTime.py b/programming/lecture/logicalIndexingTime.py
index d68038f..2a4b3e1 100644
--- a/programming/lecture/logicalIndexingTime.py
+++ b/programming/lecture/logicalIndexingTime.py
@@ -27,6 +27,6 @@ ax.set_xlabel("time [s]")
 ax.set_ylabel("intensity")
 ax.legend(fontsize=8)
 fig.tight_layout()
-fig.savefig("images/logicalIndexingTime.pdf")
+fig.savefig("logicalIndexingTime.pdf")
 
 
diff --git a/programming/lecture/programming.tex b/programming/lecture/programming.tex
index 180204d..b618fa7 100644
--- a/programming/lecture/programming.tex
+++ b/programming/lecture/programming.tex
@@ -131,9 +131,9 @@ interpretiert werden. Die wichtigsten Datentpyen sind folgende:
 Unter den numerischen Datentypen gibt es verschiedene Arten mit
 unterschiedlichem Speicherbedarf und Wertebreich.
 
-\begin{table}[]
+\begin{table}[!h]
   \centering
-  \titlecaption{Grundlegende Datentypen und ihr Wertebereich.}
+  \titlecaption{Grundlegende Datentypen und ihr Wertebereich.}{}
   \label{dtypestab}
   \begin{tabular}{llcl}\hline
     Datentyp & Speicherbedarf & Wertebereich & Beispiel \rule{0pt}{2.5ex} \\ \hline
@@ -147,7 +147,7 @@ unterschiedlichem Speicherbedarf und Wertebreich.
 Daten gespeichert werden. Dennoch lohnt es sich, sich ein wenig mit
 den Datentypen auseinanderzusetzen (Box \ref{daqbox}). 
 
-\begin{ibox}[tp]{Digitalisierung von Messdaten}\label{daqbox}
+\begin{ibox}[tp]{\label{daqbox}Digitalisierung von Messdaten}
   Szenario: Die elektrische Aktivit\"at (z.B. die Membranspannung)
   einer Nervenzelle wird gemessen. Die gemessene Spannung wird mittels
   Messkarte digitalisiert und auf dem Computer f\"ur weitere Analysen
@@ -159,14 +159,16 @@ den Datentypen auseinanderzusetzen (Box \ref{daqbox}).
   Werte abgebildet.\vspace{0.25cm}
 
   \begin{minipage}{0.5\textwidth}
-    \includegraphics[width=0.9\columnwidth]{images/data_acquisition}
+    \includegraphics[width=0.9\columnwidth]{data_acquisition}
   \end{minipage}
   \begin{minipage}{0.5\textwidth}
     Um die Spannung auf den \code{int16} Datentyp abzubilden:
     \[ y = x \cdot 2^{16}/20\] mit $x$ der gemessenen Spannung und $y$
     dem digitalisierten Wert bei einem Spannungsbereich von
-    $\pm10$\,V.\\
-    Durch Umgekehrung kann der digitalisierte Wert wieder
+    $\pm10$\,V. Das ergibt ganzzahlige Werte zwischen $-2^{15}=-32768$
+    und $2^{15}-1 = 32767$.
+
+    Durch Umkehrung kann der digitalisierte Wert wieder
     in eine Spannung zur\"uckgewandelt werden:
     \[ x = y \cdot 20/2^{16} \]
   \end{minipage}\vspace{0.25cm}
@@ -174,8 +176,8 @@ den Datentypen auseinanderzusetzen (Box \ref{daqbox}).
   Um Speicherplatz zu sparen ist es sinnvoll, die gemessenen Daten als
   ``int16'' anstelle der ``double'' Werte im Rechner abzulegen.  Die
   Daten als ``echte'' Spannungen, also als Flie{\ss}kommawerte,
-  abzulegen ben\"otigt den 4-fachen Speicherplatz und bietet keine
-  zus\"atzliche Information.
+  abzulegen ben\"otigt den 4-fachen Speicherplatz (8 statt 2 Bytes)
+  und bietet keine zus\"atzliche Information.
   
 \end{ibox}
 
@@ -1316,7 +1318,7 @@ gemacht den Rahmen zu bilden und den Ablauf zu koordinieren (Abbildung
     nimmt R\"uckgabewerte entgegen.}\label{programlayoutfig}
 \end{figure}
 
-
+ 
 \begin{ibox}[tp]{Python}
   The cooler programming language.
 \end{ibox}
diff --git a/regression/lecture/lin_regress.py b/regression/lecture/lin_regress.py
index 6354753..44898c1 100644
--- a/regression/lecture/lin_regress.py
+++ b/regression/lecture/lin_regress.py
@@ -1,11 +1,11 @@
 import matplotlib.pyplot as plt
 import numpy as np
-from IPython import embed
+from matplotlib.transforms import Bbox
 
 def create_data():
     m = 0.75
-    n=  -30
-    x = np.arange(0.,101., 2.5)
+    n=  -40
+    x = np.arange(5.,115., 2.5)
     y = m * x + n;
     noise = np.random.randn(len(x))*15
     y += noise
@@ -13,79 +13,85 @@ def create_data():
 
     
 def plot_data(x, y):
-    plt.xkcd()
     plt.scatter(x, y, marker='o', color='dodgerblue', s=40)
-    plt.xlabel("Input x")
-    plt.ylabel("Output y")
-    plt.xlim([-2.5, 102.5])
     ax = plt.gca()
     ax.spines["right"].set_visible(False)
     ax.spines["top"].set_visible(False)
     ax.yaxis.set_ticks_position('left')
     ax.xaxis.set_ticks_position('bottom')
-    ax.xaxis.linewidth=1.5
-    ax.yaxis.linewidth=1.5
     ax.tick_params(direction="out", width=1.25)
     ax.tick_params(direction="out", width=1.25)
+    ax.set_xlabel('Input x')
+    ax.set_ylabel('Output y')
+    ax.set_xlim(0, 120)
+    ax.set_ylim(-80, 80)
+    ax.set_xticks(np.arange(0,121, 40))
+    ax.set_yticks(np.arange(-80,81, 40))
     fig = plt.gcf()
     fig.set_facecolor("white")
     fig.set_size_inches(3., 3.)
-    fig.savefig("figures/lin_regress.pdf")
+    plt.tight_layout()
+    fig.savefig("lin_regress.pdf")
     plt.close()
     
 
 def plot_data_slopes(x, y, m, n):
-    plt.xkcd()
     plt.scatter(x, y, marker='o', color='dodgerblue', s=40)
     for i in np.linspace(m/4, m*1.5, 5):
         plt.plot(x, i*x+n, color="r", lw=2)
 
-    plt.xlabel("Input x")
-    plt.ylabel("Output y")
     plt.xlim([-2.5, 102.5])
     ax = plt.gca()
     ax.spines["right"].set_visible(False)
     ax.spines["top"].set_visible(False)
     ax.yaxis.set_ticks_position('left')
     ax.xaxis.set_ticks_position('bottom')
-    ax.xaxis.linewidth=1.5
-    ax.yaxis.linewidth=1.5
     ax.tick_params(direction="out", width=1.25)
     ax.tick_params(direction="out", width=1.25)
+    ax.set_xlabel('Input x')
+    ax.set_ylabel('Output y')
+    ax.set_xlim(0, 120)
+    ax.set_ylim(-80, 80)
+    ax.set_xticks(np.arange(0,121, 40))
+    ax.set_yticks(np.arange(-80,81, 40))
     fig = plt.gcf()
     fig.set_facecolor("white")
     fig.set_size_inches(3., 3.)
-    fig.savefig("figures/lin_regress_slope.pdf")
+    plt.tight_layout()
+    fig.savefig("lin_regress_slope.pdf")
     plt.close()
 
 
 def plot_data_intercepts(x, y, m, n):
-    plt.xkcd()
     plt.scatter(x, y, marker='o', color='dodgerblue', s=40)
     for i in np.linspace(n-n/2, n+n/2, 5):
         plt.plot(x, m * x + i, color="r", lw=2)
 
-    plt.xlabel("Input x")
-    plt.ylabel("Output y")
     plt.xlim([-2.5, 102.5])
     ax = plt.gca()
     ax.spines["right"].set_visible(False)
     ax.spines["top"].set_visible(False)
     ax.yaxis.set_ticks_position('left')
     ax.xaxis.set_ticks_position('bottom')
-    ax.xaxis.linewidth=1.5
-    ax.yaxis.linewidth=1.5
     ax.tick_params(direction="out", width=1.25)
     ax.tick_params(direction="out", width=1.25)
+    ax.set_xlabel('Input x')
+    ax.set_ylabel('Output y')
+    ax.set_xlim(0, 120)
+    ax.set_ylim(-80, 80)
+    ax.set_xticks(np.arange(0,121, 40))
+    ax.set_yticks(np.arange(-80,81, 40))
     fig = plt.gcf()
     fig.set_facecolor("white")
     fig.set_size_inches(3., 3.)
-    fig.savefig("figures/lin_regress_intercept.pdf")
+    plt.tight_layout()
+    fig.savefig("lin_regress_intercept.pdf")
     plt.close()
 
 
 if __name__ == "__main__":
     x, y, m, n = create_data()
+    plt.xkcd()
     plot_data(x,y)
     plot_data_slopes(x,y,m,n)
     plot_data_intercepts(x,y,m,n)
diff --git a/regression/lecture/regression.tex b/regression/lecture/regression.tex
index 1ef628e..d856639 100644
--- a/regression/lecture/regression.tex
+++ b/regression/lecture/regression.tex
@@ -10,9 +10,9 @@ ein Optimierungsproblem, der besser als Kurvenfit bekannt ist
 (\enterm{curve fitting}).
 
 \begin{figure}[tp]
-  \includegraphics[width=0.32\columnwidth]{lin_regress}\hfill
-  \includegraphics[width=0.32\columnwidth]{lin_regress_slope}\hfill
-  \includegraphics[width=0.32\columnwidth]{lin_regress_intercept}
+  \includegraphics[width=0.33\columnwidth]{lin_regress}\hfill
+  \includegraphics[width=0.33\columnwidth]{lin_regress_slope}\hfill
+  \includegraphics[width=0.33\columnwidth]{lin_regress_intercept}
   \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