diff --git a/Agriculture/Analysis of the movement and activity of free-ranging cattle/notebook.ipynb b/Agriculture/Analysis of the movement and activity of free-ranging cattle/notebook.ipynb
index 29f109b5a1cd05d6377b52550630e437abdc80d8..f6bb2da8441b0d8de41d2afeb998d05a02727f57 100644
--- a/Agriculture/Analysis of the movement and activity of free-ranging cattle/notebook.ipynb	
+++ b/Agriculture/Analysis of the movement and activity of free-ranging cattle/notebook.ipynb	
@@ -2,7 +2,14 @@
  "cells": [
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "raw_mimetype": "",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "# Analyse der Bewegung und Aktivität von freilaufenden Rindern (Deutschsprachige Version)  \n",
     "\n",
@@ -95,7 +102,13 @@
   {
    "attachments": {},
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "# 1. Business Understanding\n",
     "Landwirte wollen analysieren, wie sich ihr Vieh auf der Weide bewegt und verhält. (siehe Readme für weitere Informationen)"
@@ -104,7 +117,13 @@
   {
    "attachments": {},
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "# 2. Daten und Datenverständnis\n",
     "## 2.1. Import von relevanten Daten "
@@ -120,7 +139,13 @@
   {
    "cell_type": "code",
    "execution_count": 34,
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "outputs": [],
    "source": [
     "import numpy as np # standard for data processing\n",
@@ -152,7 +177,13 @@
   {
    "attachments": {},
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "## Daten lesen"
    ]
@@ -160,7 +191,13 @@
   {
    "attachments": {},
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "Quelle der Daten:\n",
     "\n",
@@ -29645,7 +29682,8 @@
    "pygments_lexer": "ipython3",
    "version": "3.8.9"
   },
-  "title": "Analysis of the movement and activity of free-ranging cattle"
+  "title": "Analysis of the movement and activity of free-ranging cattle",
+  "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models herausfinden, wie man Sensordaten von freilaufenden Rindern analysiert, um ihr Verhalten zu klassifizieren."
  },
  "nbformat": 4,
  "nbformat_minor": 4
diff --git a/Automotive/Improvement of components for autonomous motor vehicles/notebook.ipynb b/Automotive/Improvement of components for autonomous motor vehicles/notebook.ipynb
index 0c6804668d5f11d2fe0c4c744b22c5ddff022a94..e22077681c2dfce77affd397f87e04dc79294a0f 100644
--- a/Automotive/Improvement of components for autonomous motor vehicles/notebook.ipynb	
+++ b/Automotive/Improvement of components for autonomous motor vehicles/notebook.ipynb	
@@ -2242,7 +2242,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.12"
         },
-        "title": "Improvement of components for autonomous motor vehicles"
+        "title": "Improvement of components for autonomous motor vehicles",
+  "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models herausfinden, wie man die Gründe für Eingriffe des menschlichen Testfahrers in autonome Fahrzeuge klassifiziert und in verschiedene Problemkategorien einteilt."
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/CRM/Customer Churn Prediction/notebook.ipynb b/CRM/Customer Churn Prediction/notebook.ipynb
index 15f5842532d49b1174abcbc6cd9144bcbba042ac..4ef48e358b89d7df45815621859957ed64bab2c6 100644
--- a/CRM/Customer Churn Prediction/notebook.ipynb	
+++ b/CRM/Customer Churn Prediction/notebook.ipynb	
@@ -2,7 +2,13 @@
  "cells": [
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
    "source": [
     "## Geschäftsverständnis\n",
     "Die Analyse zielt darauf ab, die Kundenabwanderung im Telekommunikationssektor vorherzusagen, um proaktiv Maßnahmen zur Kundenbindung zu ergreifen und potenzielle Abwanderungen zu minimieren. Dies trägt zur langfristigen Stabilität und Rentabilität des Unternehmens bei.\n",
@@ -6019,9 +6025,10 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.12.3"
+   "version": "3.8.9"
   },
-  "title": "Customer Churn Prediction"
+  "title": "Customer Churn Prediction",
+  "teaser": "In diesem Praxisbeispiel können Sie mithilfe eines Machine-Learning-Modells präzise vorhersagen, ob ein Kunde mit dem Service eines Luftfahrtunternehmens zufrieden sein wird, indem Sie Kundenzufriedenheitsdaten analysieren."
  },
  "nbformat": 4,
  "nbformat_minor": 4
diff --git a/CRM/Customer Satisfaction Airlines/notebook.ipynb b/CRM/Customer Satisfaction Airlines/notebook.ipynb
index 4c51bdaf3c78c12012b8d6741f36fdbcb1f6afce..e07b6242a1ddd2f92760c5b52674b75c6c8a80b6 100644
--- a/CRM/Customer Satisfaction Airlines/notebook.ipynb	
+++ b/CRM/Customer Satisfaction Airlines/notebook.ipynb	
@@ -4511,7 +4511,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Customer Satisfaction Airlines"
+        "title": "Customer Satisfaction Airlines",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe eines Machine-Learning-Modells präzise vorhersagen, ob ein Kunde mit dem Service eines Luftfahrtunternehmens zufrieden sein wird, indem Sie Kundenzufriedenheitsdaten analysieren."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/CRM/Increase customer satisfaction/notebook.ipynb b/CRM/Increase customer satisfaction/notebook.ipynb
index 1ea469814c8d8c33fee0db552605a0b96e405d37..ddf4dcbe1d6c849718c229cf785771f5c36f6a27 100644
--- a/CRM/Increase customer satisfaction/notebook.ipynb	
+++ b/CRM/Increase customer satisfaction/notebook.ipynb	
@@ -3562,7 +3562,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Increase customer satisfaction"
+        "title": "Increase customer satisfaction",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning-Modells herausfinden, wie die Popularität und Bewertungen von Filmen auf Netflix verbessert werden können."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb b/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb
index 3ab2d10c4fb8033f553665d6e947d365a0974b74..11e3798e5eefda9f9dfb0df6678965d38d998388 100644
--- a/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb	
+++ b/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb	
@@ -4673,7 +4673,8 @@
             "version": "3.8.9"
         },
         "orig_nbformat": 4,
-        "title": "Sentiment analysis on amazon alexa reviews"
+        "title": "Sentiment analysis on amazon alexa reviews",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um Kundenbewertungen von Amazon Alexa zu analysieren und als positiv oder negativ zu klassifizieren. "
     },
     "nbformat": 4,
     "nbformat_minor": 2
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 094ec5523ea33e854e4815c1d884d9a331624508..c9dce619cbb9d8bed777251a92873e676860efba 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	
@@ -3980,7 +3980,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Forecast of required vehicles in the city center"
+        "title": "Forecast of required vehicles in the city center",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um die benötigte Menge an Fahrzeugen im innerstädtischen Raum für Uber präzise zu prognostizieren. "
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/Forecast/Sales Forecast for retail store/notebook_Multiple Linear Regression.ipynb b/Forecast/Sales Forecast for retail store/notebook_Multiple Linear Regression.ipynb
index d4bdd909c713360b8c99b22d38a42b5a3e63b366..53cee3dde710830648c90ea717a569e01b1decb3 100644
--- a/Forecast/Sales Forecast for retail store/notebook_Multiple Linear Regression.ipynb	
+++ b/Forecast/Sales Forecast for retail store/notebook_Multiple Linear Regression.ipynb	
@@ -5599,7 +5599,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Sales Forecast for retail store"
+        "title": "Sales Forecast for retail store",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um wöchentliche Umsatzprognosen für verschiedene Filialen und Abteilungen eines Einzelhändlers zu erstellen und damit die Bestandsentscheidungen und Marketingstrategien zu optimieren."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Forecast/Sales Forecast for retail store/notebook_Random Forrest Regressor.ipynb b/Forecast/Sales Forecast for retail store/notebook_Random Forrest Regressor.ipynb
index 73ce88c79c1b426f7f8284c3d3764f1e78a790ed..81dbaa28d5a783b2edea0adb824460b189d5fb78 100644
--- a/Forecast/Sales Forecast for retail store/notebook_Random Forrest Regressor.ipynb	
+++ b/Forecast/Sales Forecast for retail store/notebook_Random Forrest Regressor.ipynb	
@@ -5122,7 +5122,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Sales Forecast for retail store"
+        "title": "Sales Forecast for retail store",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um wöchentliche Umsatzprognosen für verschiedene Filialen und Abteilungen eines Einzelhändlers zu erstellen und damit die Bestandsentscheidungen und Marketingstrategien zu optimieren."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Health/Risk prediction of heart disease/notebook.ipynb b/Health/Risk prediction of heart disease/notebook.ipynb
index a80619cc392a7198c39bb1fd5c6feec7d8c11648..9d29f07a3edbfe95d80d69dc03778f46d023c76e 100644
--- a/Health/Risk prediction of heart disease/notebook.ipynb	
+++ b/Health/Risk prediction of heart disease/notebook.ipynb	
@@ -2779,7 +2779,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.9"
         },
-        "title": "Risk prediction of heart disease"
+        "title": "Risk prediction of heart disease",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models einen Dienst entwickeln, um das Risiko der Entwicklung einer koronaren Herzkrankheit basierend auf verschiedenen demografischen, verhaltensbezogenen und medizinischen Faktoren vorherzusagen "
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Insurance/Insurance Fraud detection/notebook_1.ipynb b/Insurance/Insurance Fraud detection/notebook_1.ipynb
index b3f21bda04061956baab0094fdda3503caff1fa4..b234a471f8547c4edfb881683a92d3e4a35f7454 100644
--- a/Insurance/Insurance Fraud detection/notebook_1.ipynb	
+++ b/Insurance/Insurance Fraud detection/notebook_1.ipynb	
@@ -4650,7 +4650,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Insurance Fraud detection"
+        "title": "Insurance Fraud detection",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um Versicherungsbetrug anhand von umfangreichen Versicherungsanspruchsdaten zu erkennen und zu verhindern."
     },
     "nbformat": 4,
     "nbformat_minor": 5
diff --git a/Insurance/Insurance Fraud detection/notebook_2.ipynb b/Insurance/Insurance Fraud detection/notebook_2.ipynb
index f5b124927b446448c425083a3fd6387d2b242a08..4de746fc1efe00b4692e12261ac50c0717ed0194 100644
--- a/Insurance/Insurance Fraud detection/notebook_2.ipynb	
+++ b/Insurance/Insurance Fraud detection/notebook_2.ipynb	
@@ -1437,6 +1437,7 @@
             "version": "3.8.5"
         },
         "title": "Insurance Fraud detection",
+        "teaser": "In diesem Praxisbeispiel wird ein Machine Learning-Modell angewendet, um Versicherungsbetrug anhand von umfangreichen Versicherungsanspruchsdaten zu erkennen und zu verhindern.",
         "category": "Insurance"
     },
     "nbformat": 4,
diff --git a/Insurance/Predicting mental illness for health insurance/notebook.ipynb b/Insurance/Predicting mental illness for health insurance/notebook.ipynb
index 94925fbf3ffd87ee143cca6edb6282b00cdd3bb2..0ce5414f01cd88a05df435f0c5b2d3d7423af693 100644
--- a/Insurance/Predicting mental illness for health insurance/notebook.ipynb	
+++ b/Insurance/Predicting mental illness for health insurance/notebook.ipynb	
@@ -10137,8 +10137,9 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.9"
         },
-        "title": "Predicting mental illness for health insurance"
-    },
+        "title": "Predicting mental illness for health insurance",
+        "teaser": "In diesem Praxisbeispiel nutzt ein weltweit agierendes Versicherungsunternehmen Machine Learning-Modelle, um das Risiko psychischer Erkrankungen vorherzusagen und entsprechende Versicherungsprämien festzulegen."
+},
     "nbformat": 4,
     "nbformat_minor": 4
 }
diff --git a/Insurance/Prediction Interest for car insurance/notebook.ipynb b/Insurance/Prediction Interest for car insurance/notebook.ipynb
index f65f978181c06fff30c1a4aa0a874d1fd0b4b9ad..93aa207b8b487035ce003659e0135d0c23496053 100644
--- a/Insurance/Prediction Interest for car insurance/notebook.ipynb	
+++ b/Insurance/Prediction Interest for car insurance/notebook.ipynb	
@@ -4643,7 +4643,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.5"
         },
-        "title": "Prediction Interest for car insurance"
+        "title": "Prediction Interest for car insurance",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models analysieren, ob es Kunden gibt, die sich für eine Kfz-Versicherung interessieren, um abzuschätzen, ob sich eine aktive Kundenansprache überhaupt lohnt. "
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/Maintenance/Prediction of IOT system failures based on sensor data/notebook.ipynb b/Maintenance/Prediction of IOT system failures based on sensor data/notebook.ipynb
index 8b67e1da1e00aa950dacb843c40bfe52835f0d21..da97c8067b4545e33dea081b950684230956de17 100644
--- a/Maintenance/Prediction of IOT system failures based on sensor data/notebook.ipynb	
+++ b/Maintenance/Prediction of IOT system failures based on sensor data/notebook.ipynb	
@@ -3672,7 +3672,8 @@
             "pygments_lexer": "ipython3",
             "version": "3.8.9"
         },
-        "title": "Prediction of IOT system failures based on sensor data"
+        "title": "Prediction of IOT system failures based on sensor data",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models personalisierte Spotify Playlists erstellen, die dem Musikgeschmack des Endnutzers entsprechen."
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/Marketing/Generation of Individual Playlists/notebook.ipynb b/Marketing/Generation of Individual Playlists/notebook.ipynb
index c7b85deb3f915dd9e5b5f290463bd80316605290..2ea2bf9d284d799f4af512e01886a1b75e2ba3b5 100644
--- a/Marketing/Generation of Individual Playlists/notebook.ipynb	
+++ b/Marketing/Generation of Individual Playlists/notebook.ipynb	
@@ -1492,8 +1492,9 @@
             "version": "3.7.4"
         },
         "title": "Generation of Individual Playlists",
-        "category": "Marketing"
-    },
+        "category": "Marketing",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models personalisierte Spotify Playlists erstellen, die dem Musikgeschmack des Endnutzers entsprechen."
+},
     "nbformat": 4,
     "nbformat_minor": 1
 }
\ No newline at end of file
diff --git a/Marketing/Predicting clicks on online advertising by Facebook/notebook.ipynb b/Marketing/Predicting clicks on online advertising by Facebook/notebook.ipynb
index fc9195fb22927cdb07cb7a37ad47291411953866..3a4563df5e961aa558c1f8fd82f55d385d749c3e 100644
--- a/Marketing/Predicting clicks on online advertising by Facebook/notebook.ipynb	
+++ b/Marketing/Predicting clicks on online advertising by Facebook/notebook.ipynb	
@@ -1293,7 +1293,8 @@
             "version": "3.8.9"
         },
         "title": "Predicting clicks on online advertising by Facebook",
-        "category": "Marketing"
+        "category": "Marketing",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models versuchen zu prognostizieren, ob ein Website Besucher auf eine Werbung klicken wird."
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/Online Retail/Size prediction for online fashion retailer/notebook.ipynb b/Online Retail/Size prediction for online fashion retailer/notebook.ipynb
index 3c2f7d9b9239988c64b745c5aafbd07ee87ce832..fabb52cbbfc1551ebba842087eb17c0a7fb10631 100644
--- a/Online Retail/Size prediction for online fashion retailer/notebook.ipynb	
+++ b/Online Retail/Size prediction for online fashion retailer/notebook.ipynb	
@@ -2807,7 +2807,8 @@
             "version": "3.7.4"
         },
         "title": "Size prediction for online fashion retailer",
-        "category": "Online Retail"
+        "category": "Online Retail",
+        "teaser": "In diesem Praxisbeispiel koennen Sie mithilfe des Machine Learning Models die passende Größe vorhersagen, um die Rücksendungen aufgrund falscher Größen zu minimieren."
     },
     "nbformat": 4,
     "nbformat_minor": 1
diff --git a/Rating/Accommodation rating/notebook.ipynb b/Rating/Accommodation rating/notebook.ipynb
index c6adf60f3ac01e0a6bef20f7d52745fb86701be5..d5eba651cafc93b538f22f7dfa5aa937be6699cc 100644
--- a/Rating/Accommodation rating/notebook.ipynb	
+++ b/Rating/Accommodation rating/notebook.ipynb	
@@ -7630,7 +7630,8 @@
             "version": "3.8.9"
         },
         "title": "Accommodation rating",
-        "category": "Rating"
+        "category": "Rating",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models automatisierte Preisberechnungen basierend auf den Eigenschaften der Unterkünfte entwickeln, um genaue Preisvorhersagen für zukünftige Air BnB Buchungen zu ermöglichen."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Rating/Digital Valuation of Real Estate/notebook.ipynb b/Rating/Digital Valuation of Real Estate/notebook.ipynb
index 571437a730dc0d467356a2c3fe1369a387901015..758d2c63b3dc0042f2e1798c644dba07f32b1f81 100644
--- a/Rating/Digital Valuation of Real Estate/notebook.ipynb	
+++ b/Rating/Digital Valuation of Real Estate/notebook.ipynb	
@@ -6776,7 +6776,8 @@
             "version": "3.8.9"
         },
         "title": "Digital Valuation of Real Estate",
-        "category": "Rating"
+        "category": "Rating",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models, gegebenen Merkmale einer Unterkunft analysieren und einen entsprechenden Preis berechnen, sodass Prozessschritte automatisiert werden können, indem Immobilienobjekte bewertet werden, ohne dass ein Gutachter vor Ort die Immobilie besichtigen muss."
     },
     "nbformat": 4,
     "nbformat_minor": 2
diff --git a/Rating/What Quality does the Red wine have/notebook.ipynb b/Rating/What Quality does the Red wine have/notebook.ipynb
index 813f0ee2f34dad5eae5461d2eda9f8b1ef66c2f1..5a6db9234de368a37ef9e16c07765a5c5f97d583 100644
--- a/Rating/What Quality does the Red wine have/notebook.ipynb	
+++ b/Rating/What Quality does the Red wine have/notebook.ipynb	
@@ -3427,7 +3427,8 @@
             "version": "3.8.9"
         },
         "title": "What Quality does the Red wine have",
-        "category": "Rating"
+        "category": "Rating",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models die Qualität neuer Weinpartien basierend auf deren chemischen Eigenschaften vorhersagen, um die subjektiven und teuren Bewertungen der Weinverkoster zu ersetzen."
     },
     "nbformat": 4,
     "nbformat_minor": 5
diff --git a/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb b/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb
index 82a83effedbbba2642141905b901c67bf4d273ba..497758a6295634742207f7b6fead95469e618780 100644
--- a/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb	
+++ b/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb	
@@ -6816,7 +6816,8 @@
             "version": "2.1.0"
         },
         "title": "Prediction of Successful or Failed Startups",
-        "category": "Success Predicition"
+        "category": "Success Predicition",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models einen Dienst entwickeln, dessen Ziel es ist, den Erfolg oder Misserfolg von Startups vorherzusagen."
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb b/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb
index 6c3d2bece092b1dc4d9b296a40ef161e6e95b69c..cf4240487a278a71d3b49ca5fed7983fd86789b3 100644
--- a/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb	
+++ b/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb	
@@ -2140,7 +2140,8 @@
             "version": "3.7.4"
         },
         "title": "Prediction cancellation of hotel bookings",
-        "category": "Tourism"
+        "category": "Tourism",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models einen Dienst entwickeln, der testet, ob es möglich ist Hotelstornierungen hervorzusagen."
     },
     "nbformat": 4,
     "nbformat_minor": 1
diff --git a/Tourism/flight delay prediction/notebook.ipynb b/Tourism/flight delay prediction/notebook.ipynb
index 2124f054ded748877a8f4797745e729609b6e65f..008d40fafa8e1d59aaa5d07d77509a1d6cba0e45 100644
--- a/Tourism/flight delay prediction/notebook.ipynb	
+++ b/Tourism/flight delay prediction/notebook.ipynb	
@@ -2000,7 +2000,8 @@
             "version": "3.8.5"
         },
         "title": "flight delay prediction",
-        "category": "Tourism"
+        "category": "Tourism",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models einen Dienst zur Vorhersage über Flugverspätungen entwickeln. "
     },
     "nbformat": 4,
     "nbformat_minor": 4
diff --git a/Warehouse/Classification of clothing through images/notebook.ipynb b/Warehouse/Classification of clothing through images/notebook.ipynb
index 6a032b0df9a89034d6b1adf06870769d92ee8ba4..56c78740a5704fd7d1d3aa3bef9e2128617608e8 100644
--- a/Warehouse/Classification of clothing through images/notebook.ipynb	
+++ b/Warehouse/Classification of clothing through images/notebook.ipynb	
@@ -2937,7 +2937,8 @@
             "version": "3.8.9"
         },
         "title": "Classification of clothing through images",
-        "category": "Warehouse"
+        "category": "Warehouse",
+        "teaser": "In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Models einen Dienst entwickeln, der Retouren automatisch identifiziert und etikettiert, um sie effizient wieder aufzufüllen und weiterzuverkaufen."
     },
     "nbformat": 4,
     "nbformat_minor": 4