TP3 Vortragstexte
Vollständige ausformulierte Sprechtexte pro Folie, basierend auf folien-konzept und der Beamer-Präsentation praesentation.pdf. Grundlage für Karteikarten bei Probevorträgen.
Gesamtdauer: ca. 20 Minuten über 22 Folien. Prüfung: 14.11.2026, Präsenz Trier, 20 Min Vortrag + 5 Min Fragen.
Vortragsmodus: über das Thema (nicht über die Zulassungsarbeit).
F1 — Titelfolie · 15 Sekunden
„Guten Tag, mein Name ist Alexander Kühr. Ich präsentiere die Ergebnisse meiner Zulassungsarbeit mit dem Titel Funktionsprinzipien und Anwendungen von Entscheidungsbäumen.”
Pacing: ruhig, Blick ins Publikum, nicht auf Folie.
F2 — Opener · 50 Sekunden
„Ausgangspunkt ist eine konkrete industrielle Flotte: rund 65.000 schwere Nutzfahrzeuge von Volvo, die Baureihen FH13 und FM13. Eine Fallstudie fragt: Lässt sich der Ausfall des Luftkompressors vorhersagen, bevor er eintritt? Die Antwort lohnt sich — ein ungeplanter Ausfall kostet rund 1.000 Euro an Fixkosten pro Tag Standzeit. Die Werkzeuge dafür kommen aus einer Verfahrensfamilie des maschinellen Lernens, deren Grundprinzipien vor vierzig Jahren beschrieben wurden.”
Belege: 65.000 FH13/FM13 → Prytz 2015 S. 140; 1.000 €/Tag → Prytz 2015 S. 142 (M4).
Pacing: die 1.000 € betonen; nach „bevor er eintritt?” kurze Pause.
F3 — Zielsetzung · 40 Sekunden
„Dieser Vortrag verfolgt zwei Ziele. Erstens den Entwicklungsbogen baumbasierter Lernverfahren nachzuzeichnen — von Breimans CART aus dem Jahr 1984 bis zu den Random Forests von 2001. Zweitens diesen Bogen an einer konkreten industriellen Fallstudie zu zeigen: der Vorhersage von Luftkompressorausfällen in einer LKW-Flotte, Prytz und Kollegen 2015.”
Belege: CART 1984 → BFOS84; Random Forests 2001 → Bre01; Fallstudie → PNRB15.
Pacing: „zwei Ziele” betonen, dann klar nummerieren.
F4 — Roadmap Fundament (Zäsur) · 15 Sekunden
„Wir beginnen mit dem Fundament: Entscheidungsbaum als Datenstruktur und CART als systematisches Verfahren.”
Pacing: kurze Zäsur, Aufmerksamkeit sammeln.
F5 — Mini-Datensatz · 45 Sekunden
„Bevor wir zum Baum kommen, ein kleiner Datensatz zur Illustration. Sieben Lastkraftwagen, drei binäre Merkmale — Modelltyp FH13 oder FM13, Baustellen-Einsatz ja oder nein, Langstrecke oder Kurzstrecke — und eine Zielvariable: Fällt der Kompressor innerhalb der nächsten 15 Wochen aus, ja oder nein. Das ist bewusst kein Realdatensatz aus Prytz’ Studie, sondern ein illustratives Beispiel. Die Frage, die ein Lernalgorithmus beantworten muss: Welche Regel sagt den Ausfall am besten voraus?”
Belege: Illustratives Beispiel, nicht aus Prytz (explizit auf der Folie markiert).
Pacing: „bewusst kein Realdatensatz” klar aussprechen — nimmt der Prüferfrage „ist das aus der Studie?” den Wind.
F6 — Der Entscheidungsbaum · 1 Minute
„Ein Entscheidungsbaum ist eine Datenstruktur mit Wurzel, inneren Knoten und Blättern. In jedem inneren Knoten steht eine Entscheidungsregel über ein einzelnes Merkmal — hier an der Wurzel: ‚Baustelle?‘. Die Antwort schickt den Datenpunkt in den linken oder rechten Teilbaum. Am Blatt angekommen, liegt die Vorhersage vor. Dieser Baum entsteht aus unserem Mini-Datensatz: Alle Baustellen-LKW fallen aus — das wird im linken Zweig direkt ein Blatt. Bei den Nicht-Baustellen-LKW entscheidet eine zweite Regel: Langstrecke oder nicht. Von der Wurzel zum Blatt ergibt sich eine Kette aus Regeln, die zu einer Vorhersage führt.”
Belege: BFOS84 Kap. 2 (Datenstruktur), Manuskript Kap. 3.1.
F7 — Wie entsteht der Baum · 50 Sekunden
„Wie entsteht der Baum aus den Daten? CART geht rekursiv vor: An jedem Knoten probiert der Algorithmus alle möglichen Splits auf allen Merkmalen durch und wählt den Split, der die Klassen in den beiden Kindknoten am saubersten trennt. Das Verfahren wiederholt sich dann auf den Kindknoten, bis die Blätter rein sind oder ein Abbruchkriterium greift. In unserem Mini-Datensatz wählt CART zuerst ‚Baustelle’ — damit landen alle Baustellen-LKW in einem reinen Blatt. Für die Nicht-Baustellen-LKW folgt im zweiten Schritt ‚Langstrecke’. Nach zwei Splits ist der Baum vollständig.”
Belege: BFOS84 (CART-Algorithmus), Manuskript Kap. 3.4.
Vorbereitete Antwort auf Nachfrage „Wie misst man ‚am saubersten’?”:
„Durch ein Impuritätsmaß — klassisch der Gini-Index in CART. Konzeptionell geht es darum, dass die Klassen in den Kindknoten möglichst wenig gemischt sind. Die mathematische Formel habe ich bewusst nicht auf die Folie gelegt, um den Vortragsfokus auf die Idee zu halten.”
F8 — Überanpassung und Pruning · 1 Minute
„Ein Baum, der ungebremst wächst, lernt irgendwann nicht mehr die zugrunde liegenden Muster, sondern Besonderheiten der Trainingsstichprobe. Dieses Phänomen heißt Überanpassung. Breiman und Kollegen zeigen das 1984 empirisch an einem Zeichenerkennungs-Beispiel: Der Trainingsfehler sinkt mit wachsender Baumgröße stetig weiter, der Testfehler aber erreicht ein Minimum bei etwa zehn Blättern und steigt dann wieder. CARTs Antwort darauf ist Post-Pruning: Der Baum wird zuerst bewusst zu groß gezogen, dann systematisch zurückgeschnitten. Welche Schnittgröße die beste ist, entscheidet eine ehrliche Fehlerschätzung auf unabhängigen Testdaten.”
Belege: BFOS84 Tab. 3.1 S. 60 (Datenpunkte für die Kurve), S. 60 M1 (Zeichenerkennungs-Beispiel), Manuskript Kap. 3.5.
F9 — Roadmap Verfeinerung (Zäsur) · 15 Sekunden
„Soweit das Fundament. Der nächste Schritt ist die Verfeinerung — vom instabilen Einzelbaum zum Ensemble.”
F10 — Bagging · 1 Minute 15 Sekunden
„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.”
Belege: Bre96a (S. 123 Bagging-Definition, S. 124 Fehlerreduktionen).
F11 — Random Forests · 1 Minute 15 Sekunden
„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 Merkmalen gesucht, sondern nur aus einer zufällig gezogenen Teilmenge. 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.”
Belege: Bre01 S. 10–11.
F12 — SMOTE Merkmalsraum · 40 Sekunden
„SMOTE adressiert ein Problem, das in praktisch allen industriellen Klassifikationsanwendungen auftritt: unbalancierte Klassen. Hier sehen Sie die Mehrheitsklasse als dichte Punktwolke, die Minderheitsklasse als wenige verstreute Punkte. Die SMOTE-Idee ist, synthetische Minderheitsbeispiele zu erzeugen. Wie das im Detail funktioniert, zeige ich auf der nächsten Folie.”
Belege: Chawla et al. 2002 (CBHK02).
F13 — SMOTE Zoom · 1 Minute
„Zoom auf die Minderheitsklasse. SMOTE funktioniert wie folgt: Für jeden Minderheitspunkt werden die nächsten Klassennachbarn bestimmt — typisch gleich 5. Von diesen fünf wird einer zufällig gewählt, und zwischen diesem Nachbarn und dem Original wird ein neuer synthetischer Punkt zufällig auf der Verbindungsstrecke platziert. Rechts sehen Sie zwei Beispiele: Original A hat fünf nächste Nachbarn — eine Linie ist dick hervorgehoben, das ist der zufällig gewählte Nachbar — und der neue synthetische Punkt liegt irgendwo auf dieser Linie. Dasselbe gilt für Original B. SMOTE ist kein baumspezifisches Verfahren, wird aber in der Fallstudie zentral eingesetzt.”
Belege: CBHK02 S. 328 f., Algorithmus auf S. 329.
F14 — Roadmap Anwendung (Zäsur) · 15 Sekunden
„Soweit die Theorie-Linie. Nun zur Anwendung — der Fallstudie zur Luftkompressor-Vorhersage.”
F15 — Datenlage · 1 Minute 30 Sekunden
„Die Fallstudie kombiniert zwei Datenquellen. LVD, die Logged Vehicle Data, enthält Sensor- und Zählerwerte aus dem Bordrechner — zum Beispiel Durchschnittsgeschwindigkeit, Kilometerstand, 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 Baureihen FH13 und FM13, Baujahre 2010 bis 2013. Wichtig für das weitere Verständnis: Diese Daten sind nicht für maschinelles Lernen entworfen, sondern fallen im regulären Werkstattbetrieb an. Das bringt eine Reihe von Problemen mit sich — stark unbalancierte Klassen, verrauschte Labels durch manuelle Werkstatteingaben, unsichere Datumsangaben und unregelmäßige Ausleseintervalle. Diese Datenprobleme bleiben für die spätere Bewertung relevant.”
Belege: Prytz 2015 S. 139 f. und S. 140 (LVD/VSR, Datenprobleme).
F16 — Verarbeitungspipeline · 1 Minute 15 Sekunden
„Die Verarbeitungspipeline bringt alle Verfahrensbausteine zusammen, die ich eben vorgestellt habe — in vier Phasen. Phase 1 sind die Rohdaten aus LVD und VSR. Phase 2 ist die Vorverarbeitung: Verknüpfung der beiden Datenquellen, Merkmalsauswahl aus rund 1.250 Rohvariablen und SMOTE zur Balancierung der Klassenverteilung. SMOTE adressiert damit die vorhin genannte Klassen-Unbalance; die übrigen Datenprobleme — verrauschte Labels, unsichere Datumsangaben, unregelmäßige Ausleseintervalle — bleiben akzeptierte Rahmenbedingungen und fließen in die spätere Bewertung ein. Phase 3 ist der Klassifikatorkern, ein Random Forest. Phase 4 ist die wirtschaftliche Bewertung über eine Profitfunktion — dazu kommt gleich eine eigene Folie.”
Belege: Prytz 2015 Pipeline, 1.250 Merkmale → S. 143 M4.
Dramaturgie: Der Datenprobleme-Einordnungssatz nimmt Prüferfragen „Wie gehen Sie damit um?” den Wind.
F17 — Profitfunktion · 1 Minute 15 Sekunden
„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, bezeichnet mit ECUR. Jeder falsche Ausfallalarm — ein False Positive — löst eine unnötige geplante Reparatur aus und kostet CPR. 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 leisten das nicht.”
Belege: Prytz 2015 S. 143 M1 (Formel), S. 145 M2 (Terme).
Vorbereitete Antwort auf Nachfrage „Warum tauchen False Negatives nicht auf?”:
„Sie entsprechen dem Status quo ohne Vorhersagesystem — keine Zusatzkosten, nur nicht realisierte Einsparungen.”
F18 — Ergebnisse · 1 Minute 30 Sekunden
„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. Die schwarzen Balken zeigen den absoluten Profit in Millionen Euro, die weißen den normalisierten Profit pro Fahrzeug. Zwei Beobachtungen: Erstens — Usage mit 1,94 Millionen Euro absolut und Beam 1 mit 116 Euro pro Fahrzeug führen das Feld an und übertreffen die Expertenreferenz von 0,84 Millionen bzw. 64 Euro pro Fahrzeug deutlich. Zweitens — Nutzungsmerkmale schlagen reine Verschleißmerkmale. Die Autoren erklären das mit zwei Ursachen: Erstens sind Verschleißmuster stark ans Fahrzeugalter gekoppelt, und das Alter wiederum trivial über den Kilometerstand abrufbar. Zweitens könnten Verschleißtrends schneller verlaufen als die Ausleseintervalle sie erfassen — die LVD-Daten werden nur beim Werkstattbesuch übertragen, nicht kontinuierlich.”
Belege: Prytz 2015 Tab. 1 S. 148 (alle Zahlen), S. 149 f. M2 (Ursachen Usage > Wear).
F19 — Roadmap Bewertung (Zäsur) · 15 Sekunden
„Soweit die Fallstudie. Zum Abschluss die Grenzen und das Fazit.”
F20 — Fazit und Grenzen · 1 Minute 45 Sekunden
„Zum Abschluss das Fazit. Der Vortrag hat seine 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. Der Übergang zum Ensemble geht mit einem Verlust an Interpretierbarkeit einher, der in sicherheitskritischen Anwendungen ein Ausschlusskriterium sein kann. Und der Fallstudien-Befund — algorithmische Merkmalsauswahl schlägt Experten — bleibt an die konkreten Rahmenbedingungen gebunden: einen ungewöhnlich breiten Merkmalspool und die akzeptierten Datenqualitätseinschränkungen. Für die weiterführende Entwicklung sind sequentielle Ensembleverfahren wie Boosting sowie Ansätze zur nachträglichen Erklärung komplexer Ensemblevorhersagen zentrale Forschungsrichtungen — hier aber bewusst nicht behandelt.”
Belege: Alle Grenzen aus Vortrag ableitbar oder aus Manuskript Kap. 6.2 belegt.
F21 — Schluss-Höhepunkt · 20 Sekunden
„Zum Rückblick. [Pause] Die Standzeit kostet 1.000 Euro pro Tag und LKW. [Pause] Die Testflotte spart durch die Vorhersage 1,94 Millionen Euro. [längere Pause] 1984 CART. 2001 Random Forests. 2015 die Volvo-Fallstudie. [kurze Pause] Diesen Bogen hat der Vortrag nachgezeichnet.”
Belege: 1.000 €/Tag → Prytz 2015 S. 142; 1,94 M € → Prytz 2015 Tab. 1 S. 148; Jahreszahlen → Primärquellen.
Pacing: die Pausen sind der Punkt. Nicht hetzen. Zahl stehen lassen.
F22 — Dank und Fragen · 10 Sekunden
„Vielen Dank für Ihre Aufmerksamkeit — ich freue mich auf Ihre Fragen.”
Gesamtdauer
| Teil | Folien | Dauer |
|---|---|---|
| Einstieg | 1–4 | 2 Min |
| Fundament | 5–8 | 3 Min 35 |
| Verfeinerung | 9–13 | 4 Min 25 |
| Anwendung | 14–18 | 6 Min 45 |
| Bewertung | 19–20 | 2 Min |
| Schluss | 21–22 | 30 s |
| Gesamt | 22 | 19 Min 15 s |
Puffer zu 20 Min: ca. 45 Sekunden für Übergänge und Mikro-Pausen.
Nutzung dieser Datei
Für Karteikarten:
- Pro Folie eine Karteikarte
- Vorderseite: Foliennummer + Titel
- Rückseite: Vortragstext
Erste und letzte Sätze auswendig:
- F2: „Ausgangspunkt ist eine konkrete industrielle Flotte…”
- F21: „Zum Rückblick…” bis „Diesen Bogen hat der Vortrag nachgezeichnet.”
- F22: „Vielen Dank für Ihre Aufmerksamkeit — ich freue mich auf Ihre Fragen.”
Diese drei Sätze bei Probevorträgen immer identisch sprechen.
Zusammenhänge
- Beamer-Präsentation: praesentation.pdf
- Folien-Konzept: folien-konzept
- Präsentations-Konvention: konvention
- Basiswissen (für Fragerunde): basiswissen
- Übersicht: index