Angenehme Atmosphaere.

Pruefung bestand fast ausschliesslich aus SVM / SVR.

- Wieso koennen ueberlappende konvexe Huellen der Trainingsvektoren zweier unterschiedlicher Klassen vorkommen?
	- Noise
	- Misclassification
	- fehlende Informationen (unterscheidungsstarke Features weggeworfen)
	(hier war es wichtig, alle drei Punkte aufzaehlen zu koennen)

- SVM:
	- Intuitive Erklaerung und Formel + Constraints fuer das Soft Margin Problem
	- Weiter ging es mit dem dualen Problem
	- Dual Problem (Lagrangian) ; Lagrangian abgeleitet nach alpha und Erhalten der Gleichung alpha = <sigma> lambda_i * y_i * x_i
	- KKT (v. a. im Hinblick auf complementary slackness: lambda muss 0 sein fuer non-support vectors, fuer support vectors ist das entsprechende f_i(x) gleich 0)
	- Ueberleitung zu Kernel (hier war die allgemeine Formel fuer polynomial Kernel gefragt)
	- Feature Transform von (x_1, x_2)^T in 6-dimensionalen Featurevektor, damit man lineare Decision Boundary bekommt
	- Erklaerung kernel trick

- SVR:
	- Unterschied SVR und SVM
		- SVM: Featurevektoren sollen ausserhalb der Margin und auf der richtigen Seite sein
		- SVR: Featurevektoren sollen innerhalb der Margin (dem Toleranzbereich) liegen, hier epsilon erwaehnen
	- Optimierungsproblem SVR mit Constraints fuer upper und lower bound und beide Xi_i >= 0