==== Pattern Recognition, Pattern Analysis ====
**Prüfer:** Elli Angelopoulou, Joachim Hornegger
  * Atmosphäre: angespannter Prüfling, sehr nette Prüfer\\
                    Haben es nicht angekreidet, wenn man zu hastig sein will und vielleicht wenige kleine Fehler macht. Zum Beispiel: Wo werden die Vektoren in der Gleichung transponiert? Man kann dann noch schnell korrigieren. 

=== PR ===
  * Big Picture
  * Histogram Equalization: \\
      * Was ist das? Was kommt raus? Wie sind die Werte verteilt?\\
  * Thresholding: 
      * Was ist ein Threshold? 
      * Welche Werte hat ein Threshold? -> Binarization
      * Welche Verfahren? -> Habe iterative Methode erklärt mit "Intersection of 2 Gaussians"
  * PCA:
      * hatte erstmal allgemein erklärt, dann s1(Φ)-Formel, Q-Matrix, Eigenvektoren und -werte erklärt
  * Heuristische FE-Verfahren: 
      * allgemein, man konnte sich Verfahren aussuchen: hatte Fourier und Walsh erklärt ohne Formeln hinschreiben zu müssen

=== PA ===
  * PCA:
      * Problematik: Größe der Kovarianzmatrix 
      * Beispiel gegeben: Bild der Größe 1024x1024 -> Wie groß Q-Matrix? Wieviel Speicher?
  * Kernel-PCA 
      * erstmal allgemein angefangen, welche Eigenschaften die Kernel-Matrix haben muss
      * Danach Herleitung der Formel von PCA zu Kernel-PCA
  * Normen
      * L1- und L2-Norm anhand Formel und Skizze erklärt
      * Was ist Lasso? -> erklärt welche Norm und deren Problematik
  * SVM
      * Was ist das?
      * allgemein alles erklärt anhand einer Skizze und Unterschied zwischen Hard und Soft Margin
  * gegeben eine Linie: d = ax + a_0
      * Wie bekommt man die a posteriori Wahrscheinlichkeit? -> Logistic Regression
      * Gegeben eine Linie: d = a*x + a_0. Wie schaut dann die a posteriori Wahrscheinlichkeit aus? -> 1/(1+ exp(a*x + a_0 - d))