====== Pattern Recognition ======
**Studiengang:** Master Inf\\
**Dauer:** 30 Minuten\\
**Prüfer:** Steidl\\
**Datum:** 18.02.2014

===== Allgemeines =====
Sehr entspannt,er hat mir sogar vorher noch nen Kaffee gegeben :). Wenn man nen kleinen hänger hat, spezifiert er die Frage meist so, dass man dann weiß was er wissen will.

Als Hinweis noch: Dieses Jahr wird scheinbar immer eine Frage zu den Matlab-Übungen eine frage gestellt. Es ging auf demjenigen der nach mir geprüft wurde auch so !
----

===== Hier die gestellten Fragen:=====
  * Big Picture geben (Ich hab nicht viel gezeichnet, aber beim reden schon viel neben Informationen reinfließen lassen.(z.b. hab ich den Zusammenhang Bayes-Gaussian-Naive Bayes - NN schonmal angereissen))
  * Dann kamen fragen zur Logistic Regression -> sigmoid function - parametrized - optimierung mit Newton. Welche ableitungen werden benötigt?-> 1. und 2.
  * Dann kam SVM, wie ist die objective function vom Hard-margin und Soft-,margin
  *  Woran erkennt man das die Margin maximiert wird?
  * Wann wäre der Abstand zur dB der eukilidsche Abstand?
  * ->Sie sagten ja die SVM erzeugt unique Lösungen, die soft Margin SVM auch? -> nein, mit µ gewichtet man den einfluss.
  * Was passiert wenn µ groß wird, also eher gegen unendlich? -> wird zu hard margin
  * Beschreiben Sie wie sie die soft - margin SVM in matlab implementieren müssen.
  * -> O.o keine Ahnung, matlab hat eine optimierungs function da müssen die constraints rein.
  * beschreiben sie mal wie diese aussehen müssen?
  * keine Ahnung. Dann hat er mir das Blatt mit der Lösung aus den Übungen hingelegt.
  * Erklären sie wie die Matrix A (welche der optimierungs function von matlab übergeben wird) aufgebaut ist.
  * -> versucht das ein bisschen zu erklären und die Struktur der Matrix auf den Block zu schreiben, das hab ich nicht so wirklich hinbekommen.









----

Dann war die Zeit auch rum, bei dem Übungsteil bin ich ganz schön geschlingert, ich hab immer wieder versucht Theorie einfließen zu lassen im Style:
- Die Matrix A und B werden da mit -1 multipliziert da die inequalities <= 0 sein müssen (1. KKT)
War schon etwas unangenehm :), er sagte dann auch der Theorie teil war sehr gut, der matlab teil eher das genaue gegenteil. Das die Theorie so gut war, und der beisitzer ;), ham mir dann noch ne sehr gute Note bescheert.