diff --git a/Forecast/Forecast of required vehicles in the city center/notebook.ipynb b/Forecast/Forecast of required vehicles in the city center/notebook.ipynb
index 21b82406c628987962e3dfd7d0e9e1fab0d52261..cf18f7d56a509bdb5103b8e82f152da267f30897 100644
--- a/Forecast/Forecast of required vehicles in the city center/notebook.ipynb	
+++ b/Forecast/Forecast of required vehicles in the city center/notebook.ipynb	
@@ -13,8 +13,6 @@
     "tags": []
    },
    "source": [
-    "# 1. Business Understanding\n",
-    "\n",
     "Uber Technologies Inc. ist ein 2009 gegründetes Unternehmen mit Sitz in San Francisco. Es hat 91 Millionen aktive Nutzer und 3,9 Millionen Fahrer weltweit. Das Unternehmen ist mit seiner App in insgesamt 63 Ländern vertreten.\n",
     "Es muss ein grundlegendes Verständnis für die Ziele aus der Unternehmensperspektive vorhanden sein. Darauf aufbauend können dann die entsprechenden Anforderungen an ein Data-Mining-Projekt definiert werden, damit diese realisiert werden können. Uber versucht, Prognosen auf Basis von Angebot und Nachfrage so zu optimieren, dass eine Verfügbarkeit von Fahrzeugen stets gewährleistet ist, um den Service für seine Nutzer aufrechtzuerhalten. Dieser Datensatz soll die Realisierbarkeit dieses Ziels demonstrieren."
    ]
@@ -32,8 +30,6 @@
     "tags": []
    },
    "source": [
-    "# 2. Daten und Datenverständnis\n",
-    "\n",
     "Um ein besseres Verständnis für die Datenanalyse zu entwickeln und die Nutzung der genannten Bibliotheken und Pakete zu illustrieren, folgt ein Überblick über die Vorgehensweise und einige grundlegende Schritte, die in einem typischen Data Understanding Prozess durchgeführt werden. Dazu gehören das Laden und Erkunden der Daten, die Durchführung grundlegender statistischer Analysen sowie die Visualisierung der Daten.\n",
     "\n",
     "Der Datensatz besteht aus vier Basisvariablen: Abfertigungsbasisnummer, Datum, active_vehicles und Fahrten.\n",
@@ -41,6 +37,82 @@
     "Durch einen ersten Überblick über die verfügbaren Daten kann man bereits über mögliche Abhängigkeiten zwischen der Anzahl der aktiven Fahrzeuge, der Anzahl der Fahrten sowie dem Datum spekulieren."
    ]
   },
+  {
+   "attachments": {},
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenvorbereitung",
+    "slideshow": {
+     "slide_type": "Datenvorbereitung"
+    },
+    "tags": []
+   },
+   "source": [
+    "Zur Datenbereinigung wurden mehrere Schritte ausgeführt. Erstens wurde das Feld 'date' im Datenframe 'data2' mithilfe der Funktion to_datetime nach Daten-Datentyp konvertiert. Danach wurden das Feld 'dispatching_base_number' in den String-Datentyp umgewandelt und die Funktionen 'describe', 'reset_index' und 'drop' verwendet, um die Daten zu vereinheitlichen. Dadurch konnten die Daten anschließend in einem Diagramm dargestellt werden, um sie visuell zu analysieren."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": "Datenmodell"
+    },
+    "tags": []
+   },
+   "source": [
+    "In diesem Prozess werden die tatsächlichen Zielwerte (Targets) und die vom linearen Regressionsmodell prognostizierten Werte (Predictions) für die Trainingsdaten grafisch dargestellt, um die Beziehung zwischen den realen Ergebnissen und den Modellvorhersagen zu veranschaulichen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Der Datensatz zeigt eindrucksvoll, wie Uber Technologies Inc. durch Data Mining seine Servicequalität verbessert. Die Analyse von historischen Buchungen, Verkehrsmustern und Wetterbedingungen liefert wertvolle Erkenntnisse, die zu präziseren Prognosen und einer besseren Ressourcenverteilung führen. Trotz der detaillierten Daten und der Wirksamkeit der Data-Mining-Strategie gibt es Potenzial für weitere Optimierungen. Insgesamt bietet der Datensatz eine wertvolle Grundlage für das Verständnis und die Weiterentwicklung datenbasierter Entscheidungsprozesse in der Transportindustrie."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Die Umsetzung  von Data-Mining-Technologien und -Methoden zur Vorhersage von Angebot und Nachfrage kann bei Uber Technologies Inc. dazu eingesetzt werden, um die Angebots- und Nachfrage-Prognosen zu optimieren und damit die Verfügbarkeit von Fahrzeugen zu gewährleisten, die Entscheidungsfindung zu verbessern und eine effektivere Ressourcenallokation zu ermöglichen. Dies trägt letztendlich zu einer effizienteren und profitableren Geschäftstätigkeit bei"
+   ]
+  },
+  {
+   "attachments": {},
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Business",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "\n",
+    "## 1. Business Understanding"
+   ]
+  },
   {
    "attachments": {},
    "cell_type": "markdown",
@@ -966,20 +1038,6 @@
     "## 3. Datenvorbereitung"
    ]
   },
-  {
-   "attachments": {},
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": "Datenvorbereitung"
-    },
-    "tags": []
-   },
-   "source": [
-    "Zur Datenbereinigung wurden mehrere Schritte ausgeführt. Erstens wurde das Feld 'date' im Datenframe 'data2' mithilfe der Funktion to_datetime nach Daten-Datentyp konvertiert. Danach wurden das Feld 'dispatching_base_number' in den String-Datentyp umgewandelt und die Funktionen 'describe', 'reset_index' und 'drop' verwendet, um die Daten zu vereinheitlichen. Dadurch konnten die Daten anschließend in einem Diagramm dargestellt werden, um sie visuell zu analysieren."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 20,
@@ -2148,19 +2206,6 @@
     "## 4.1 Lineare Regression"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": "Datenmodell"
-    },
-    "tags": []
-   },
-   "source": [
-    "In diesem Codeabschnitt werden die tatsächlichen Zielwerte (Targets) und die vom linearen Regressionsmodell vorhergesagten Werte (Predictions) für die Trainingsdaten visualisiert, um die Beziehung zwischen den tatsächlichen Leistungen und den Vorhersagen des Modells zu veranschaulichen."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 44,
@@ -3896,21 +3941,6 @@
     "# 5 Evaluation"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Evaluation",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Der Datensatz zeigt eindrucksvoll, wie Uber Technologies Inc. durch Data Mining seine Servicequalität verbessert. Die Analyse von historischen Buchungen, Verkehrsmustern und Wetterbedingungen liefert wertvolle Erkenntnisse, die zu präziseren Prognosen und einer besseren Ressourcenverteilung führen. Trotz der detaillierten Daten und der Wirksamkeit der Data-Mining-Strategie gibt es Potenzial für weitere Optimierungen. Insgesamt bietet der Datensatz eine wertvolle Grundlage für das Verständnis und die Weiterentwicklung datenbasierter Entscheidungsprozesse in der Transportindustrie."
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {
@@ -3924,21 +3954,6 @@
     "# 6 Umsetzung"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Deployment",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Die Umsetzung  von Data-Mining-Technologien und -Methoden zur Vorhersage von Angebot und Nachfrage kann bei Uber Technologies Inc. dazu eingesetzt werden, um die Angebots- und Nachfrage-Prognosen zu optimieren und damit die Verfügbarkeit von Fahrzeugen zu gewährleisten, die Entscheidungsfindung zu verbessern und eine effektivere Ressourcenallokation zu ermöglichen. Dies trägt letztendlich zu einer effizienteren und profitableren Geschäftstätigkeit bei"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": null,
@@ -3989,7 +4004,7 @@
   },
   "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/tree/main/Forecast/Forecast%20of%20required%20vehicles%20in%20the%20city%20center?ref_type=heads",
   "skipNotebookInDeployment": false,
-  "teaser": "Durch diesen Dienst können zukünftige Versicherungsbetrüger frühzeitig erkannt werden.",
+  "teaser": "Erleben Sie die Zukunft der Mobilität: Uber Technologies Inc., gegründet 2009 in San Francisco, hat sich mit seiner App als weltweit führender Anbieter etabliert. Mit 91 Millionen Nutzern und 3,9 Millionen Fahrern in 63 Ländern setzt Uber Maßstäbe im Bereich der Personenbeförderung. Doch hinter den Kulissen geht es um mehr als nur Fahrten vermitteln. Uber nutzt fortschrittliches Data-Mining, um Angebot und Nachfrage in Echtzeit zu prognostizieren und die Fahrzeugverfügbarkeit zu maximieren – ein entscheidender Faktor, um den Service kontinuierlich zu optimieren und seinen Nutzern weltweit ein nahtloses Erlebnis zu bieten.",
   "title": "Prognose des Fahrzeugbedarfs im Stadtzentrum"
  },
  "nbformat": 4,