Atmosphaere und Bewertung wie immer sehr angenehm. Man soll wohl einfach mal reden und alles erzaehlen was man weiss. Er unterbricht einen schon, wenn man zu sehr abschweift.

**F**: Drei Bereiche in Vorlesung: Daten schaetzen und transformieren, Boundary ausrechnen und ...?

**A**: Wollte auf Kaskade bzw. Boosting raus
  * Boosting an sich erklaert mit Weights fuer Classifier und Feature Vektoren → gemittelte Gesamtentscheidung
  * Formeln von AdaBoost aufgeschrieben und erklaert
  * Graph fuer err_m aufgemalt und erlaeutert

**F**: Welche Kostenfunktion berechnet die Fehlerrate beim erstem Classifier?

**A**: Initialgewichte sind 1/N daher 0-1 Loss

**F**: Was haben wir dann zum Trennen der Klassen ausser SVM noch gemacht?

**A**: Logistic Regression

**F**: Zurueck zu SVM, erklaeren Sie mal.

**A**: Breite der Margin maximieren
  * Bild gemalt und erst mal generell erklaert was das Ziel ist
  * Dann Hard Margin Optimierungsproblem hergeleitet

**F**: Und wie ist das jetzt mit Slack Variablen?

**A**: Optimierungsproblem fuer Soft Margin aufgestellt.

**F**: Schreiben Sie mal die Lagrange Funktion hin. Was sind die Variablen?

**A**: Dual Problem und Lagrange Funktion hingeschrieben
  * ListenpunktVariablen sind alpha, alpha_0, chi, chi_hat und die Lagrange Multiplier
  * Wichtig: x ist fest und daher keine Variable!

**F**: Und wie funktioniert damit Regression?

**A**: Wieder Bild gemalt
  * Epsilon Schlauch minimieren, wichtig war ihm, dass Soft Margin Fall hier quasi nicht existent
  * Optimierungsproblem dazu hingeschrieben