diff --git a/Dokumentation/silas/daten_analyse.tex b/Dokumentation/silas/daten_analyse.tex
index 13c4c579d57ba1e5887b0abb9a1c854bb0dd7d88..5145f74f647fd3148dba2124e1055575b33e2d4f 100644
--- a/Dokumentation/silas/daten_analyse.tex
+++ b/Dokumentation/silas/daten_analyse.tex
@@ -62,7 +62,7 @@ Das Ausführen des Quellcodes in Listing \ref{list:four} führt zu folgender Aus
 
 
 Hier ist zu erkennen, dass jede Zeile der review.json eine Rezension mit den 
-Merkmalen \lstinline{review_id, user_id, business_id, stars, useful, funny, cool, text} und 
+Merkmalen \lstinline{review_id, user_id, business_id, stars, useful, funny, cool, text} und\linebreak 
 \lstinline{date} enthält. Die meisten dieser Merkmale sind selbsterklärend. Erwähnenswert sind dabei jedoch die Merkmale \lstinline{useful, funny} und \lstinline{cool}, welche Reaktionen anderer Nutzer auf diese Review darstellen. Für dieses Projekt sind hingegen nur die beiden Punkte \lstinline{stars} und \lstinline{text} von Bedeutung.
 In diesem Datensatz sind Sonderzeichen mit einem Backslash escaped. 
 
diff --git a/Dokumentation/silas/w2vCNN.tex b/Dokumentation/silas/w2vCNN.tex
index 64565db7dd7dd622cb7a335ae96bf1efec2de81c..bb3657de21db16122d573332e52995c99a651870 100644
--- a/Dokumentation/silas/w2vCNN.tex
+++ b/Dokumentation/silas/w2vCNN.tex
@@ -214,7 +214,7 @@ confusion_matrix(y_test,y_pred,normalize='true')
 \end{lstlisting}
 Dafür werden die vom Netz vorhergesagten Klassen der Testmenge in dem 
 Vektor \lstinline{y_pred} gespeichert und die tatsächlichen Klassen der Testmenge in dem 
-Vektor \lstinline{y_test}. Beide Vektoren werden der Funktion 
+Vektor\linebreak \lstinline{y_test}. Beide Vektoren werden der Funktion 
 \lstinline{confusion_matrix} übergeben, 
 welche die in der Tabelle \ref{tab:conf_w_cnn} dargestellte Konfusionsmatrix 
 zurückliefert.
diff --git a/Dokumentation/silas/w2vMean.tex b/Dokumentation/silas/w2vMean.tex
index b6bedf6dcfd5fdd0c2e4fe47c7a7ed0eabb9c838..8abad52adc596e4a62bafeea5f7fc7eae658b449 100644
--- a/Dokumentation/silas/w2vMean.tex
+++ b/Dokumentation/silas/w2vMean.tex
@@ -21,7 +21,7 @@ Arbeitsspeicher zu halten.
 Dies hilft, die benötigte Trainingszeit zu reduzieren. 
 Sollte die Arbeitsspeicherkapazität nicht ausreichen, 
 befindet sich eine Implementierung, welche Generatoren benutzt, im Git-Repository.
-\wip{Link zu Gitlab?}
+%\wip{Link zu Gitlab?}
 
 Um das Word2Vec-Modell zu erhalten, wird die im Listing \ref{list:gw2v} geschriebene Funktion 
 \lstinline{getWordVecModel} importiert.
@@ -159,7 +159,6 @@ geführt.
 
 Wie in Kapitel \ref{subsubsec:Dist} diskutiert gibt es verschiedene Umgänge mit unausgeglichenen Datensätzen. Die für diese Arbeit gewählte Methode der Gewichtung ist hier zu erkennen an den, an 
 die Methode \lstinline{fit} übergebenen, Klassengewichte.
-\wip{vll noch erklären wie die Gewichte entstehen}
 \begin{lstlisting}[caption={Neuronales Netz - Evaluieren},label={list:mean5},firstnumber=60]
 modelNN.evaluate(X_test,Y_test)
 \end{lstlisting}
diff --git a/Dokumentation/w2v.pdf b/Dokumentation/w2v.pdf
index a4b355786c16f7ae9663fa67c8e9ca5d3c1c9cac..e1bba7e4a3bafd154a75e136bc5bb75e3a32797d 100644
Binary files a/Dokumentation/w2v.pdf and b/Dokumentation/w2v.pdf differ