diff --git a/Foundation of data science/notes/8 Variational Autoencoders.md b/Foundation of data science/notes/8 Variational Autoencoders.md
index 871a191..eed2e61 100644
--- a/Foundation of data science/notes/8 Variational Autoencoders.md	
+++ b/Foundation of data science/notes/8 Variational Autoencoders.md	
@@ -8,7 +8,7 @@ Prendendo campioni da questa distribuzione e mandandoli in input al decoder, ott
 (p.s. supporrò che i vettori x siano immagini)
 
 $p(x)$: la vera distribuzione di x, ovvero la distribuzione del dataset. NON LA SI CONOSCE, altrimenti sarebbe tutto bello.
-Esempio: ipotizzando di avere un dataset con immagini di numeri, un'immagine che rappresenta il numero "1" avrà un valore alto di $p(x)$, un'immagine che rappresenta un cazzo curvo avrà un valore basso di $p(x)$.
+**Esempio:** ipotizzando di avere un dataset con immagini di numeri, un'immagine che rappresenta il numero "1" avrà un valore alto di $p(x)$, un'immagine che rappresenta un cazzo curvo avrà un valore basso di $p(x)$.
 
 $p(z)$ la distribuzione della variabile latente. Solitamente si usa una gaussiana $N(0, I)$, dove I è la matrice identità. La dimensione della matrice è la dimensione dello spazio latente z: ogni $z_{i}$ ha valore medio 0 e varianza 1.