studium-vault — Master-Arbeiten Informatik

TP3 Folien-Konzept

16 Min. Lesezeit

TP3 Folien-Konzept

Dieses Dokument entwickelt die Vortragsstruktur für TP3 Folie für Folie. Jede Folie bekommt Titel, Botschaft, Textinhalt, Visualisierung, Vortragstext (ausformuliert) und einen Dauer-Richtwert.

Die Grundlage bilden Präsentations-Konvention und Basiswissen. Die Dramaturgie folgt Variante C (Hybrid): packender Einstieg → chronologische Theorie → Fallstudie → Reflexion.

Hauptthese der Arbeit:

Baumbasierte Lernverfahren haben über vier Jahrzehnte einen methodischen Reifungsprozess durchlaufen — von einem einfachen rekursiven Partitionierungsschema bis zu industriell einsetzbaren Ensembles.

Zwei Belegstellen:

  1. Theorie-Linie: Breimans Entwicklungsbogen (CART → Bagging → Random Forests)
  2. Anwendungs-Linie: Industrielle Fallstudie mit wirtschaftlich messbarem Nutzen

Gesamtzeit: 20 Minuten · 17 Folien · ca. 1 Minute pro Folie plus Zäsurenpuffer

Teil A — Einstieg (Folien 1–4, ca. 3 Minuten)

Folie 1 · Titelfolie

Botschaft: Rahmen setzen (Thema, Autor, Hochschule, Datum).

Textinhalt:

  • Titel: Funktionsprinzipien und Anwendungen von Entscheidungsbäumen
  • Zulassungsarbeit zum Masterfernstudium Informatik
  • Alexander Kühr
  • Hochschule Trier, Fachbereich Informatik
    1. November 2026

Visualisierung: Schlichter Hintergrund in Hochschulfarben. Als Aufhänger ein stilisiertes Baum-Diagramm (einige verbundene Knoten in verschiedenen Grautönen — kein buntes Bild). Logo HS Trier.

Vortragstext: Begrüßung + Namensnennung + Thema in einem Satz. „Guten Tag, mein Name ist Alexander Kühr. Ich präsentiere die Ergebnisse meiner Zulassungsarbeit mit dem Titel Funktionsprinzipien und Anwendungen von Entscheidungsbäumen.”

Dauer: 15 Sekunden

Folie 2 · Einstieg

Botschaft: Hook — konkretes Problem mit €-Zahl, Übergang zur Verfahrensfamilie.

Textinhalt: Keine Aufzählung. Ein großes Bild + eine Zahl + ein kurzer Satz als Teaser.

  • Großes Hintergrundbild: LKW oder stilisierter Luftkompressor
  • Zentrale Zahl: 1.000 € / Tag
  • Teaser-Text unten rechts: Was wäre, wenn man den Ausfall vorhersagen könnte?

Visualisierung: Minimalistisch, kein Diagramm. Hintergrundbild in Graustufen, damit die Zahl im Mittelpunkt steht.

Vortragstext:

„Ein ausgefallener Luftkompressor in einem schweren LKW kostet seinen Besitzer rund 1.000 Euro pro Tag Standzeit. Die Frage ist nicht, ob er ausfällt, sondern wann — und ob man das vorhersagen kann, bevor er ausfällt. Die Antwort kommt aus einer Verfahrensfamilie, deren Grundprinzipien vor vierzig Jahren beschrieben wurden. Diese Arbeit zeichnet nach, wie aus diesen Grundprinzipien ein industrietaugliches Werkzeug geworden ist.”

Dauer: 45 Sekunden

Folie 3 · Zielsetzung

Botschaft: Zwei konkrete Ziele der Arbeit benennen.

Textinhalt:

  • Ziel 1: Entwicklungsbogen baumbasierter Lernverfahren von CART (1984) bis Random Forests (2001) nachzeichnen
  • Ziel 2: Diesen Bogen an einer industriellen Fallstudie (Prytz et al., 2015) konkret zeigen

Visualisierung: Nur Text, zwei Zeilen mit großer Typografie, viel Weißraum. Keine Grafik.

Vortragstext:

„Die Arbeit verfolgt zwei Ziele. Erstens zeichne ich den Entwicklungsbogen baumbasierter Lernverfahren nach — von Breimans CART aus dem Jahr 1984 bis zu den Random Forests von 2001. Zweitens zeige ich diesen Bogen an einer konkreten industriellen Fallstudie: der Vorhersage von Luftkompressorausfällen in einer LKW-Flotte, veröffentlicht von Prytz und Kollegen 2015.”

Dauer: 40 Sekunden

Entfernt: Ausklammerungen (Quinlan/Boosting/nicht-baumbasiert) — ziehen bei Erwähnung Nachfragen zu Themen, die nicht Vortragsgegenstand sind. Nur beantworten, wenn gefragt. Mini-Zeitstrahl — teilt Aufmerksamkeit, der Bogen wird in Roadmap (F4) und Backup B5 ohnehin visualisiert.

Folie 4 · Roadmap

Botschaft: Dem Publikum den weiteren Vortragsverlauf zeigen.

Textinhalt: Vier Stationen als horizontale Prozesskette:

  1. Fundament — Was ist ein Entscheidungsbaum, was ist CART?
  2. Verfeinerung — Vom Einzelbaum zum Ensemble
  3. Anwendung — Fallstudie Volvo-Luftkompressor
  4. Bewertung — Grenzen und Fazit

Visualisierung: Horizontale Prozess-Grafik mit vier Boxen, verbunden durch Pfeile. Nummerierung 1–4. Rechts außen ein kleiner Marker „aktuell”. Diese Roadmap wird in den Zäsur-Folien (8 und 12) wiederkehren.

Vortragstext:

„Der Vortrag folgt vier Stationen. Zuerst lege ich das Fundament: Was ist ein Entscheidungsbaum, und was macht CART als frühes systematisches Verfahren aus? Zweitens zeichne ich die Verfeinerung nach — den Übergang vom instabilen Einzelbaum zum Ensemble. Drittens zeige ich die Anwendung dieser Verfahren in der Volvo-Fallstudie. Und viertens komme ich zur Bewertung: zu den Grenzen und zum Fazit.”

Dauer: 30 Sekunden

Teil B — Fundament (Folien 5–7, ca. 4 Minuten)

Folie 5 · Der Entscheidungsbaum

Botschaft: Grundidee — ein Baum zerlegt den Datenraum schrittweise in Rechtecke.

Textinhalt:

  • Datenstruktur: Wurzel · innere Knoten (Entscheidungsregeln) · Blätter (Vorhersagen)
  • Jede Regel bezieht sich auf ein einzelnes Merkmal („Alter > 30?“)
  • Von der Wurzel zum Blatt: eine Kette aus Regeln → eine Vorhersage

Visualisierung: Baumgrafik mit 3 Ebenen (links) · dasselbe als 2D-Punktdiagramm mit achsenparallelen Trennungen (rechts). Beide zeigen dieselben vier Regionen → optischer Dualismus Baum ↔ Raum.

Vortragstext:

„Ein Entscheidungsbaum ist eine Datenstruktur: Wurzel, innere Knoten, Blätter. In jedem inneren Knoten steht eine Entscheidungsregel über ein einzelnes Merkmal — zum Beispiel ‚Alter größer als 30?‘. Die Antwort schickt den Datenpunkt in den linken oder rechten Teilbaum. Am Blatt angekommen, liegt die Vorhersage vor. Wenn man das in einem zweidimensionalen Merkmalsraum ansieht, zerlegt der Baum diesen Raum in rechteckige Regionen — eine Region pro Blatt. Die Reihenfolge, in der die Fragen gestellt werden, legt nicht ein Mensch fest, sondern das Training. Wie das geschieht, zeigt die nächste Folie.”

Dauer: 1 Minute 15 Sekunden

Entfernt: Explizite Unterscheidung Klassifikation/Regression — in diesem Vortrag kommt nur Klassifikation vor, Regression ist Nebenbaustelle; nur bei Nachfrage „auch für Zahlenwerte, dann Mittelwert im Blatt” ergänzen.

Folie 6 · CART und der Gini-Index

Botschaft: CART wählt Splits so, dass die Klassen in den Kindknoten reiner werden — gemessen durch den Gini-Index.

Textinhalt:

  • CART = Classification and Regression Trees (Breiman et al., 1984)
  • Splits werden impuritätsbasiert gewählt: der Split, der die Klassenreinheit am stärksten erhöht, gewinnt
  • Gini-Index: Maß für Klassen-Mischung in einem Knoten
    • Reiner Knoten: Index = 0
    • Maximal gemischt (2 Klassen, 50 : 50): Index = 0,5
  • Formel:

Visualisierung: Zweiteilig. Links: Baumknoten mit Beispiel-Datenpunkten (verschiedene Markerformen für Klassen), vor und nach dem Split, mit berechneten Gini-Werten. Rechts: die Formel in großer Darstellung.

Vortragstext:

„CART steht für Classification and Regression Trees und wurde 1984 von Breiman, Friedman, Olshen und Stone als geschlossener Rahmen vorgestellt. Der entscheidende Baustein von CART ist das Split-Kriterium: An jedem Knoten wird derjenige Split gewählt, der die Klassenreinheit in den beiden Kindknoten am stärksten erhöht. Als Maß für die Reinheit dient der Gini-Index. Er misst, wie gemischt die Klassen in einem Knoten sind: In einem reinen Knoten, in dem nur eine Klasse vorkommt, ist der Index null. Bei zwei Klassen in Gleichverteilung erreicht er sein Maximum von 0,5. CART minimiert diesen Index iterativ, Knoten für Knoten.”

Dauer: 1 Minute 15 Sekunden

Folie 7 · Überanpassung und Pruning

Botschaft: Zu große Bäume lernen Trainingsrauschen; CART löst das durch Rückschnitt nach dem Wachsen.

Textinhalt:

  • Überanpassung: großer Baum lernt Besonderheiten der Stichprobe, nicht die Muster
  • Fehlerverlauf: Trainingsfehler sinkt immer, Testfehler hat ein Minimum und steigt danach
  • CART-Lösung: erst groß wachsen lassen, dann zurückschneiden; Testdaten entscheiden über die passende Baumgröße

Visualisierung: Links Fehlerkurven-Diagramm (Trainings- vs. Testfehler über Baumgröße). Rechts drei Bäume von groß zu klein, mit Pfeil zum „passenden” in der Mitte.

Vortragstext:

„Ein Baum, der ungebremst wächst, lernt irgendwann nicht mehr die zugrunde liegenden Muster, sondern Besonderheiten der Trainingsstichprobe. Dieses Phänomen heißt Überanpassung. Es zeigt sich im Testfehlerverlauf: Mit wachsender Baumgröße sinkt der Fehler zunächst, erreicht ein Minimum und steigt danach wieder — während der Trainingsfehler durchgehend weiter sinkt. CARTs Antwort ist Post-Pruning: Der Baum wird zuerst bewusst zu groß gezogen, dann wird er zurückgeschnitten. Welche Schnittgröße die beste ist, entscheidet eine ehrliche Fehlerschätzung auf unabhängigen Testdaten.”

Dauer: 1 Minute

Entfernt: Kreuzvalidierung namentlich — zieht Nachfragen „Wie funktioniert k-fach?” nach sich. Statt „per Kreuzvalidierung” lieber „auf unabhängigen Testdaten”. Pre-Pruning-Diskussion war gar nicht enthalten, bleibt auch weg (kommt in Backup, nicht im Hauptvortrag).

Teil C — Verfeinerung (Folien 8–11, ca. 5 Minuten)

Folie 8 · Zäsur · Vom Einzelbaum zum Ensemble

Botschaft: Übergang zum zweiten Teil — der Einzelbaum reicht nicht; Instabilität zwingt zu Ensembles.

Textinhalt:

  • Kernproblem Instabilität: kleine Datenänderung → großer Modellunterschied
  • Ursache: rekursiver Aufbau pflanzt kleine Änderungen in alle Teilbäume fort
  • Breimans Antwort: statt eines guten Baums viele Bäume

Visualisierung: Große Zäsur-Folie mit Kapitelmarke. Roadmap von Folie 4 wiederholen, Station 2 „Verfeinerung” hervorgehoben. Darunter in einem Satz die Aussage.

Vortragstext:

„Soweit das Fundament. Einzelne Entscheidungsbäume haben allerdings ein grundlegendes Problem: Sie sind instabil. Eine kleine Änderung der Trainingsdaten kann die Baumstruktur stark verändern — eine andere Split-Wahl an der Wurzel pflanzt sich in alle folgenden Teilbäume fort. Breiman hat daraus einen methodischen Schluss gezogen: Statt einen guten Baum zu bauen, baut man viele Bäume und kombiniert sie. Das ist der Übergang zu den Ensembles.”

Dauer: 45 Sekunden

Folie 9 · Bagging

Botschaft: Bagging mittelt viele Bäume aus Bootstrap-Stichproben — und reduziert damit die Instabilität.

Textinhalt:

  • Bootstrap-Stichprobe: Ziehen mit Zurücklegen aus der Trainingsmenge
  • Pro Stichprobe ein eigener Entscheidungsbaum
  • Aggregation: Mehrheitsvotum (Klassifikation) oder Mittelwert (Regression)
  • Empirisch (Breiman 1996): Fehlerreduktionen 6 % bis 77 %

Visualisierung: Pipeline-Grafik: Trainingsmenge → B Bootstrap-Stichproben → B Bäume → Aggregation → Ensemblevorhersage. Diese Grafik gibt es bereits in der Zulassungsarbeit (Abbildung 4.1).

Vortragstext:

„Bagging — die Abkürzung steht für Bootstrap Aggregating — wurde 1996 von Breiman als Antwort auf die Instabilität einzelner Bäume vorgestellt. Das Verfahren zieht wiederholt Bootstrap-Stichproben aus den Trainingsdaten, also Stichproben mit Zurücklegen in der Größe der Originalmenge. Auf jeder Stichprobe wird ein eigener Baum trainiert. Die Vorhersage des Ensembles ergibt sich dann durch Aggregation: bei Klassifikation durch Mehrheitsvotum, bei Regression durch Mittelwert. Breiman berichtet in seiner ursprünglichen Arbeit für elf Klassifikationsdatensätze Fehlerreduktionen zwischen 6 und 77 Prozent — ein deutlicher Effekt.”

Dauer: 1 Minute 15 Sekunden

Folie 10 · Random Forests

Botschaft: Random Forests = Bagging plus zweite Zufallsschicht an jedem Knoten.

Textinhalt:

  • Breiman 2001
  • Bagging + zufällige Merkmalseinschränkung pro Knoten
  • Pro Knoten wird nur eine Teilmenge aus Merkmalen zur Split-Suche zugelassen
  • Bäume werden nicht beschnitten; die Aggregation gleicht die Überanpassung aus

Visualisierung: Grafik aus Zulassungsarbeit Abb. 4.2 — Knoten mit Merkmalen, davon zufällig gezogen und zur Split-Auswahl zugelassen.

Vortragstext:

„Random Forests, 2001 von Breiman eingeführt, bauen auf Bagging auf und fügen eine zweite Zufallsschicht hinzu. Sie wirkt bei der Baumkonstruktion selbst: An jedem inneren Knoten wird nicht die beste Split-Variable aus allen verfügbaren Merkmalen gesucht, sondern nur aus einer zufällig gezogenen Teilmenge der Größe . Die Bäume werden dabei nicht beschnitten — sie wachsen bewusst zu voller Tiefe. Die Überanpassung, die ein einzelner solcher Baum zeigen würde, wird durch die Aggregation ausgeglichen.”

Dauer: 1 Minute 15 Sekunden

Entfernt: Dekorrelations-Argument im Vortragstext — zieht Nachfragen „Was heißt Korrelation hier?” nach sich. Steht im Textinhalt als Nebenbemerkung, wird im Vortrag nur erwähnt, wenn Zeit bleibt oder gefragt wird.

Folie 11 · SMOTE

Botschaft: Für stark unbalancierte Klassifikationsprobleme ergänzt SMOTE die Trainingsdaten um synthetische Minderheitsbeispiele.

Textinhalt:

  • Problem: Minderheitsklasse systematisch unterrepräsentiert → Modell ignoriert sie
  • SMOTE (Chawla et al., 2002): synthetische Minderheitsbeispiele erzeugen
  • Verfahren: Pro Minderheitsbeispiel nächste Klassennachbarn bestimmen; synthetischen Punkt zwischen Original und zufälligem Nachbarn interpolieren
  • Nicht baumspezifisch, aber zentral für die später gezeigte Fallstudie

Visualisierung: 2D-Scatterplot: zwei Klassen, eine deutlich unterrepräsentiert. Interpolationslinie zwischen zwei Minderheitspunkten, synthetischer Punkt auf der Linie.

Vortragstext:

„Der letzte theoretische Baustein ist SMOTE, die Synthetic Minority Over-sampling Technique, 2002 von Chawla und Kollegen eingeführt. SMOTE adressiert ein Problem, das in praktisch allen industriellen Klassifikationsanwendungen auftritt: unbalancierte Klassen. Wenn eine Zielklasse deutlich seltener auftritt als die andere, lernt das Modell, sie zu ignorieren — denn schon die Vorhersage ‚immer Mehrheitsklasse’ liefert gute Trefferquoten. SMOTE gleicht das aus, indem die Minderheitsklasse mit synthetischen Beispielen aufgefüllt wird. Für jeden Minderheitspunkt werden die k nächsten Klassennachbarn bestimmt — typisch k gleich 5 — und zwischen dem Punkt und einem zufällig gewählten Nachbarn ein neuer synthetischer Punkt interpoliert. SMOTE ist kein baumspezifisches Verfahren, wird aber in der Fallstudie, die ich gleich zeige, zentral eingesetzt.”

Dauer: 1 Minute 30 Sekunden

Teil D — Anwendung (Folien 12–16, ca. 6 Minuten)

Folie 12 · Zäsur · Fallstudie

Botschaft: Übergang zum dritten Teil — die theoretischen Bausteine in realer Anwendung.

Textinhalt: Kapitelmarke „Industrielle Fallstudie — Vorhersage von Luftkompressorausfällen”. Roadmap, Station 3 hervorgehoben.

Visualisierung: Großes Zäsur-Layout. Als Aufhänger ein Volvo-LKW-Bild im Hintergrund.

Vortragstext:

„Soweit die Theorie-Linie. Ich komme nun zur Anwendung — zu der Fallstudie, die am Anfang des Vortrags schon aufgetaucht ist: der Vorhersage von Luftkompressorausfällen in einer Volvo-LKW-Flotte, veröffentlicht von Prytz und Kollegen im Jahr 2015.”

Dauer: 20 Sekunden

Folie 13 · Datenlage

Botschaft: Zwei Datenquellen aus dem regulären Werkstattbetrieb, mit allen Qualitätseinschränkungen.

Textinhalt:

  • LVD (Logged Vehicle Data): Sensor- und Zählerwerte aus dem Bordrechner, bei jedem Werkstattbesuch übertragen
  • VSR (Volvo Service Records): Wartungshistorie aus den Werkstattprotokollen
  • Rund 65.000 Fahrzeuge der Modelle FH13 und FM13, Baujahre 2010–2013
  • Datenprobleme: unbalanciert · verrauschte Labels · unsichere Datumsangaben · unregelmäßige Ausleseintervalle

Visualisierung: Zweispaltige Grafik mit LVD und VSR als Boxen, Pfeile zu einer gemeinsamen Daten-Box in der Mitte. Unten rechts eine kleine Infobox mit den vier Datenproblemen als Stichpunkte.

Vortragstext:

„Die Fallstudie kombiniert zwei Datenquellen. LVD, die Logged Vehicle Data, enthält Sensor- und Zählerwerte aus dem Bordrechner — Dinge wie Durchschnittsgeschwindigkeit, Kilometerstand oder Umgebungstemperatur. Diese Daten werden bei jedem Werkstattbesuch übertragen, also nicht in Echtzeit. VSR, die Volvo Service Records, enthalten die Wartungshistorie aus den Werkstattprotokollen — welche Reparaturen wurden wann durchgeführt. Die Grundgesamtheit umfasst rund 65.000 LKW der Modelle FH13 und FM13, Baujahre 2010 bis 2013. Wichtig: Diese Daten sind nicht für maschinelles Lernen entworfen, sondern fallen im regulären Werkstattbetrieb an. Das bringt Probleme mit sich — stark unbalancierte Klassen, verrauschte Labels durch manuelle Werkstatteingaben, unsichere Datumsangaben und unregelmäßige Ausleseintervalle. Diese Einschränkungen bleiben für die weitere Diskussion relevant.”

Dauer: 1 Minute 30 Sekunden

Folie 14 · Verarbeitungspipeline

Botschaft: Alle vier Verfahrensbausteine wirken in einer vierstufigen Pipeline zusammen.

Textinhalt: Horizontale Pipeline mit vier Phasen:

  1. Daten: LVD + VSR
  2. Vorverarbeitung: Verknüpfung · Merkmalsauswahl · SMOTE
  3. Modell: Random Forest
  4. Bewertung: Profit = TP·ECUR − FP·CPR − Investment

Visualisierung: Dieselbe Pipeline-Grafik wie in der Arbeit (Abbildung 5.1).

Vortragstext:

„Die Verarbeitungspipeline der Fallstudie bringt alle theoretischen Bausteine zusammen, die ich eben vorgestellt habe — in vier Phasen. Phase 1 sind die Rohdaten aus LVD und VSR. Phase 2 ist die Vorverarbeitung: Die beiden Datenquellen werden verknüpft, aus rund 1.250 Rohvariablen eine Merkmalsmenge ausgewählt und die Klassenverteilung mit SMOTE balanciert. Phase 3 ist der Klassifikatorkern, ein Random Forest. Phase 4 ist die wirtschaftliche Bewertung über eine Profitfunktion — dazu kommt gleich eine eigene Folie.”

Dauer: 1 Minute

Entfernt: Fahrzeugweise Trainings-/Test-Trennung — ist methodisch wichtig, aber auf einer Pipeline-Folie Nebenschauplatz. Zieht Nachfragen zu Datenaufteilungs-Strategien nach sich. Nur bei Nachfrage „Wie wurden Trainings- und Testdaten aufgeteilt?” erwähnen.

Folie 15 · Profitfunktion

Botschaft: Der Modellwert wird direkt in Euro gemessen.

Textinhalt:

  • Formel: Profit = TP · ECUR − FP · CPR − Investment
  • · · · als Legende daneben
  • Kernidee: Treffer sparen Geld, Fehlalarme kosten Geld, der Aufbau kostet einmal

Visualisierung: Große Formel im Zentrum. Legende als knappe Tabelle rechts: TP = korrekter Ausfallalarm · FP = falscher Ausfallalarm · ECUR = Mehrkosten ungeplant · CPR = Kosten geplant · Investment = Systemfixkosten.

Vortragstext:

„Die wirtschaftliche Bewertung des Modells erfolgt über eine Profitfunktion. Der Profit setzt sich aus drei Teilen zusammen: Jeder korrekt vorhergesagte Ausfall — ein True Positive — spart die Mehrkosten einer ungeplanten gegenüber einer geplanten Reparatur. Jeder falsche Ausfallalarm — ein False Positive — löst eine unnötige geplante Reparatur aus und kostet. Dazu kommen die Fixkosten für Aufbau und Betrieb des Systems. Das Entscheidende an dieser Formel ist: Sie macht den Nutzen des Modells direkt in Euro sichtbar — klassische Klassifikationsmetriken wie Accuracy oder F1-Score leisten das nicht.”

Dauer: 1 Minute 15 Sekunden

Entfernt: Lange False-Negative-Begründung („entsprechen dem Status quo…”). Ist konzeptionell richtig, aber als Nebenaussage auf dieser Folie überladen. Falls Nachfrage „Warum tauchen False Negatives nicht auf?”: souverän antworten mit „sie entsprechen dem Zustand ohne Vorhersagesystem — nicht realisierte Einsparungen, keine Zusatzkosten”.

Folie 16 · Ergebnisse

Botschaft: Die algorithmisch gewählten Merkmalssets schlagen die Expertenreferenz deutlich.

Textinhalt: Balkendiagramm mit sieben Merkmalssets (Expert, Wear, Wear AN, Usage, Usage AN, Beam 1, Beam 2). Zwei Balken pro Set: absoluter Profit (M EUR) und normalisierter Profit pro Fahrzeug (EUR). Zusatz-Zeile: Usage und Beam 1 führen das Feld an.

Visualisierung: Balkendiagramm aus der Zulassungsarbeit (Abbildung 5.2). Expert-Set grau markiert (Referenz), die algorithmischen Sets farblos aber hervorgehoben.

Vortragstext:

„Hier die Ergebnisse. Verglichen werden sieben Merkmalssets bei einem Vorhersagehorizont von 15 Wochen. Expert ist die handverlesene Referenz aus vier vom Volvo-Ingenieur ausgewählten Parametern. Die anderen sechs Sets stammen aus den beiden algorithmischen Merkmalsauswahlverfahren Wrapper-Beam-Search und Kolmogorov-Smirnov-Filter, teilweise mit und ohne Alterskorrektur. Zwei Beobachtungen: Erstens — die algorithmisch gewählten Sets Usage und Beam 1 führen gemeinsam das Feld an, mit absolut 1,94 Millionen Euro Profit für Usage und 116 Euro pro Fahrzeug für Beam 1. Beide übertreffen die Expertenreferenz von 0,84 Millionen Euro beziehungsweise 64 Euro pro Fahrzeug deutlich. Für eine Flotte von zehntausend Fahrzeugen ergibt sich damit ein Nettonutzen im niedrigen einstelligen Millionenbereich. Zweitens — Nutzungsmerkmale schlagen reine Verschleißmerkmale. Die Autoren erklären das damit, dass Verschleißmuster stark ans Fahrzeugalter gekoppelt sind, und das Alter wiederum trivial über den Kilometerstand abrufbar ist.”

Dauer: 1 Minute 45 Sekunden

Teil E — Reflexion und Fazit (Folie 17, ca. 2 Minuten)

Folie 17 · Fazit und Grenzen

Botschaft: Die Hauptthese bestätigen, Grenzen benennen, Ausblick andeuten.

Textinhalt:

  • Zwei Belege für die Hauptthese:
    1. Entwicklungsbogen CART → Bagging → Random Forests nachgezeichnet
    2. Verfahren bewähren sich in realer Industrieanwendung mit messbarem Nutzen
  • Grenzen:
    • Instabilität einzelner Bäume
    • Achsenparallele Splits (Treppenstruktur bei diagonalen Grenzen)
    • Interpretierbarkeitsverlust beim Übergang zum Ensemble
  • Ausblick: sequentielle Ensembleverfahren (Boosting), nachträgliche Erklärbarkeit komplexer Ensemblevorhersagen

Visualisierung: Dreigeteilte Folie — oben die zwei Belegstellen als Haken-Liste, Mitte die drei Grenzen, unten der Ausblick in einem Satz.

Vortragstext:

„Zum Abschluss das Fazit. Die Arbeit hat ihre Hauptthese entlang von zwei Belegstellen gezeigt: Erstens den theoretischen Entwicklungsbogen von Breimans CART aus dem Jahr 1984 über Bagging bis zu den Random Forests von 2001. Zweitens die Bewährung dieses Verfahrensbogens in einer realen industriellen Anwendung mit wirtschaftlich messbarem Nutzen. Baumbasierte Lernverfahren haben damit tatsächlich einen methodischen Reifungsprozess durchlaufen — vom einfachen rekursiven Partitionierungsschema bis zum industriell einsetzbaren Werkzeug. Zugleich bleiben Grenzen: Einzelne Entscheidungsbäume sind instabil — darum existieren Ensembles überhaupt. Achsenparallele Splits müssen diagonale Klassengrenzen durch eine Treppenstruktur annähern. Und der Übergang zum Ensemble geht mit einem Verlust an Interpretierbarkeit einher, der in sicherheitskritischen Anwendungen ein Ausschlusskriterium sein kann. Für die weiterführende Entwicklung sind sequentielle Ensembleverfahren wie Boosting sowie Ansätze zur nachträglichen Erklärung komplexer Ensemblevorhersagen zentrale Forschungsrichtungen — in dieser Arbeit aber bewusst nicht behandelt. Vielen Dank für Ihre Aufmerksamkeit.”

Dauer: 2 Minuten

Backup-Folien (hinter Folie 17, nur für Nachfragen)

  • B1 — Gini-Index: Varianz-Interpretation. Herleitung über Bernoulli-Varianzen.
  • B2 — OOB-Fehlerschätzung. Jede Bootstrap-Stichprobe lässt ca. 1/3 der Datenpunkte außen vor — diese dienen Breiman zur Fehlerschätzung ohne separaten Testdatensatz.
  • B3 — Twoing-Kriterium. Zweites Split-Maß aus BFOS84 für Mehrklassenprobleme, in der Arbeit nicht ausgeführt.
  • B4 — Tabelle 1 aus Prytz et al. vollständige Zahlen pro Merkmalsset mit SMOTE-Parametern und Sample-Zahlen.
  • B5 — Entwicklungs-Zeitstrahl. Grafische Darstellung der historischen Verortung (Gini 1912, CART 1984, Bagging 1996, RF 2001, SMOTE 2002, Fallstudie 2015).

Backup-Folien werden im Vortrag nicht gezeigt und tragen keine Foliennummer im Hauptlauf. Bei Nachfragen gezielt aufgerufen.

Dauerübersicht (nach Verfeinerung 2026-10-03)

TeilFolienDauer
A Einstieg1–42 Min 10
B Fundament5–73 Min 30
C Verfeinerung8–114 Min 45
D Anwendung12–165 Min 50
E Fazit172 Min
Summe1718 Min 15

Mit Übergangs- und Atempausen landet der Vortrag bei etwa 19 Minuten — damit ist ein Puffer von einer Minute für langsameres Sprechen, mikro-Zögerungen oder zusätzliche Erklärungen vorhanden. Zielmarke in Probevorträgen: 18:30–19:30.

Nächste Schritte

  1. Lesephase (bis 18.10.): Kap. 3–5 der Zulassungsarbeit lesen; basiswissen als Prüfkatalog nutzen.
  2. Vortragstext ausformulieren (19.–25.10.): Die hier skizzierten Sprechtexte in Karteikarten überführen; erste und letzte Sätze auswendig lernen.
  3. ChatGPT-Prompts aus den Folien ableiten (ab 26.10.): Pro Folie einen Prompt, der Titel, Botschaft, Textinhalt, Visualisierung und Design-Hinweise aus der konvention enthält.
  4. Erste Probevorträge (ab 26.10.): Zeit stoppen, Rückmeldungen protokollieren unter probevortraege/.

Zusammenhänge

Graphansicht

Backlinks