diff --git a/Marketing/Generation of Individual Playlists/notebook.ipynb b/Marketing/Generation of Individual Playlists/notebook.ipynb
index 669a7ff6dab94519dc8ca59a9bf1f56ef4f04e85..d45c745c58a599d8226f9186b2103ff77947c135 100644
--- a/Marketing/Generation of Individual Playlists/notebook.ipynb	
+++ b/Marketing/Generation of Individual Playlists/notebook.ipynb	
@@ -1,40 +1,315 @@
 {
  "cells": [
   {
-   "attachments": {},
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
     "include": true,
-    "paragraph": "BusinessUnderstanding",
+    "paragraph": "teaser",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "title"
+    ]
+   },
+   "source": [
+    "# Generierung individueller Playlists"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "teaser",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": []
+    "tags": [
+     "teaser",
+     "title"
+    ]
    },
    "source": [
-    "# 1. Geschäftsverständnis\n",
+    "# Teaser "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "teaser",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "teaser"
+    ]
+   },
+   "source": [
+    "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Modells personalisierte Spotify Playlists erstellen, die dem Musikgeschmack des Endnutzers entsprechen. "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "business",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "business",
+     "title"
+    ]
+   },
+   "source": [
+    "# Business"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "business",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "business"
+    ]
+   },
+   "source": [
+    "Spotify, ein führender Konzern in der Musikindustrie, möchte die Möglichkeiten und Herausforderungen der Künstlichen Intelligenz (KI) nutzen, um für jeden Benutzer eine einzigartige und personalisierte Wiedergabeliste zu erstellen. Durch den Einsatz von maschinellem Lernen und Algorithmen soll eine Lösung entwickelt werden, die sich individuell an die Vorlieben und das Verhalten der Nutzer anpasst. Ziel ist es, durch diese innovative Anwendung die Nutzerbindung zu stärken und das Hörerlebnis weiter zu optimieren. "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "daten",
+     "title"
+    ]
+   },
+   "source": [
+    "# Daten"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "daten"
+    ]
+   },
+   "source": [
+    "Für das Projekt zur Generierung personalisierter Wiedergabelisten wird der Datensatz \"Spotify Dataset 1921-2020 (160k+ Tracks)\" verwendet, der auf der Plattform Kaggle veröffentlicht wurde. Dieser Datensatz, erstellt von Spotify und im Jahr 2020 veröffentlicht, liegt im CSV-Format vor und enthält eine Vielzahl von Informationen über Songs. Der Datensatz umfasst insgesamt 19 Attribute, die verschiedene Aspekte von Songs beschreiben, darunter Komponenten wie Erscheinungsjahr, Popularität, Dauer, Tanzbarkeit und viele mehr.\n",
     "\n",
-    "Der Audio-Streaming-Dienst wurde 2006 von dem schwedischen Startup Spotify Technology S.A. gegründet und ist in mehr als 90 verschiedenen Ländern verfügbar. Für das Unternehmen Spotify ist eines der wichtigsten Potenziale und Herausforderungen die Erstellung einer einzigartigen personalisierten Playlist für jeden Benutzer, die dem Musikgeschmack des Hörers entspricht. Dabei wird erwogen, die oben genannten Herausforderungen mithilfe von Spotify KI und Machine-Learning-Algorithmen zu lösen, um eine maßgeschneiderte Playlist für den Benutzer zu generieren.\n",
-    "Die übergreifende Fragestellung dieser Fallstudie lautet: Wie werden bei Spotify Machine-Learning-Technologien eingesetzt, um das Hörerlebnis der Kunden zu verbessern?"
+    "Die Zielvariable dieses Datensatzes ist die Popularität eines Songs, gemessen als Ganzzahl (integer). Die Attribute umfassen eine Mischung aus ganzzahligen Werten (z.B. Jahr, Dauer, Schlüssel, Modus), Gleitkommazahlen (z.B. Tanzbarkeit, Energie, Lautstärke, Sprachverständlichkeit) und kategorialen Merkmalen (z.B. Explicit Content, Taktart). Um ein besseres Verständnis für den Datensatz zu entwickeln, werden auch Standortparameter wie Mittelwert und Median sowie Verteilungsparameter wie Standardabweichung und Quartile der numerischen Attribute berechnet. Eine Korrelationsanalyse mittels Pearson-Korrelation wird durchgeführt, um die Beziehungen zwischen den numerischen Attributen und der Zielvariable Popularität zu identifizieren.\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "Datenvorbereitung",
+     "title"
+    ]
+   },
+   "source": [
+    "# Datenvorbereitung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "datenvorbereitung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "Datenvorbereitung"
+    ]
+   },
+   "source": [
+    "Die Datenvorbereitung umfasst mehrere Schritte, um den Datensatz für die Modellierung zu optimieren. Zunächst erfolgt eine Dimensionsreduktion, bei der nicht signifikante Attribute wie song_id, title und artist entfernt werden, da diese keinen Mehrwert für die Modellierung bieten.\n",
+    "\n",
+    "Anschließend werden Ausreißer identifiziert und behandelt. Dies geschieht mithilfe statistischer Methoden wie dem Interquartilsabstand (IQR), um extreme Werte zu erkennen und entweder zu entfernen oder anzupassen. Fehlende Daten werden ebenfalls behandelt, entweder durch Imputation (Ersetzung fehlender Werte durch Schätzungen) oder durch Entfernen von Einträgen mit zu vielen fehlenden Werten.\n",
+    "\n",
+    "Eine wichtige Aufgabe ist auch die Prüfung und Anpassung unausgeglichener Daten, insbesondere wenn die Zielvariable stark unausgeglichen ist. Kategoriale Merkmale wie explicit, key, mode und time_signature werden durch One-Hot-Encoding in numerische Werte umgewandelt.\n",
+    "\n",
+    "Die Verteilung der numerischen Daten wird mittels StandardScaler normalisiert, um sie für die Modellierung vorzubereiten. Schließlich wird die Multikollinearität überprüft, indem stark korrelierte Variablen identifiziert und bei Bedarf entfernt werden, um die Stabilität und Interpretierbarkeit des Modells zu gewährleisten."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "datenmodell",
+     "title"
+    ]
+   },
+   "source": [
+    "# Datenmodell"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "datenmodell"
+    ]
+   },
+   "source": [
+    "Zur Modellierung der Daten wird die Lineare Regression als Algorithmus gewählt. Dieser Ansatz ermöglicht es, die Beziehung zwischen den Attributen und der Zielvariable Popularität zu modellieren und Vorhersagen zu treffen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "title",
+     "evaluation"
+    ]
+   },
+   "source": [
+    "# Evaluation"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "evaluation"
+    ]
+   },
+   "source": [
+    "Das Modell wird im Rahmen des überwachtes Lernens (supervised learning) entwickelt, wobei sowohl Klassifikations- als auch Regressionsansätze in Betracht gezogen werden. Der Datensatz wird in Trainings- und Testdaten aufgeteilt, wobei 80% der Daten für das Training und 20% für die Evaluierung des Modells verwendet werden.\n",
+    "\n",
+    "Die Leistungsbewertung des Modells erfolgt anhand spezifischer Metriken. Die Trainingsperformance des Modells liegt bei 0.42002501021526495, während die Testperformance bei 0.4207911441145905 liegt. Diese Metriken geben Aufschluss über die Genauigkeit und Verlässlichkeit des Modells, wobei diese hier beide mit ca. 42% nicht optimal sind und durch weitere Trainingszyklen verbessert werden sollten."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "title",
+     "umsetzung"
+    ]
+   },
+   "source": [
+    "# Umsetzung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "umsetzung"
+    ]
+   },
+   "source": [
+    "Die entwickelte Lösung zielt darauf ab, einen Service zur Generierung individueller Wiedergabelisten bereitzustellen. Die Hauptzielgruppe sind die Spotify-Nutzer, die von personalisierten, auf ihre Präferenzen abgestimmten Playlists profitieren sollen. Dieser Service hat das Potenzial, die Nutzerbindung zu erhöhen und das Kundenerlebnis deutlich zu verbessern."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "download",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "download",
+     "title"
+    ]
+   },
+   "source": [
+    "# Download"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
     "include": true,
-    "paragraph": "DataUnderstanding",
+    "paragraph": "download",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": []
+    "tags": [
+     "download"
+    ]
    },
    "source": [
-    "# 2. Daten und Datenverständnis\n",
+    "Datensatz:\n",
+    "https://storage.googleapis.com/ml-service-repository-datastorage/Generation_of_Individual_Playlists_Generation-of-Individual-Playlists-data.csv\n",
     "\n",
-    "Die gesammelten Daten für Spotify werden zu einem einheitlichen Datensatz zusammengeführt und auf das Problem hin überprüft, um zu sehen, ob Erkenntnisse aus den Informationen extrahiert werden können. Die Attribute haben unterschiedliche Bereiche. Diese Daten werden sorgfältig vorbereitet, damit der endgültige Datensatz erstellt oder mittels Data-Mining-Methoden verarbeitet werden kann. Zu diesem Zweck werden die Daten geladen und analysiert. Anschließend bilden diese wiederum die Grundlage für die nächste Phase der Modellierung."
+    "Notebook:\n",
+    "https://github.com/AlexRossmann/machine-learning-services/tree/main/Marketing/Generation%20of%20Individual%20Playlists"
    ]
   },
   {
@@ -1509,9 +1784,8 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.12.3"
+   "version": "3.11.7"
   },
-  "skipNotebookInDeployment": true,
   "title": "Generation of Individual Playlists"
  },
  "nbformat": 4,