diff --git a/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb b/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb
index 98c7bcbb3c1c2f8c970cdc1e8751350a77bc1fdc..5b400f66520746d31f4768716c4e341c1d5ef81e 100644
--- a/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb	
+++ b/CRM/Sentiment analysis on amazon alexa reviews/notebook.ipynb	
@@ -26,6 +26,122 @@
     "Um die häufigsten Wörter in den Bewertungen zu identifizieren, haben wir Wortwolken erstellt. Schließlich haben wir ein Modell entwickelt, das vorhersagen kann, ob eine Bewertung positiv oder negativ ist. Dieses Modell kann dazu beitragen, zukünftige Kundenmeinungen besser zu verstehen und gezielt darauf zu reagieren."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 2. Daten und Datenverständnis"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Dieses Notebook analysiert fast 3000 Kundenbewertungen von verschiedenen Amazon Alexa-Produkten, darunter Echo, Echo Dot und Alexa Fire Stick. Der Datensatz stammt aus Kaggle https://www.kaggle.com/sid321axn/amazon-alexa-reviews und enthält Bewertungstexte, Sternbewertungen, das Datum der Bewertung, die Produktvariante und das Feedback. Die Daten wurden von Amazon veröffentlicht und umfassen 257 negative und 2893 positive Bewertungen. Ziel ist es, das Kundensentiment zu verstehen und vorherzusagen, um datenbasierte Entscheidungen zur Produktverbesserung und Kundenserviceoptimierung zu treffen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 3. Datenvorbereitung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenvorbereitung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Zur Vorbereitung der Daten entfernen wir zunächst alle Informationen außer den Bewertungstexten. Da es deutlich mehr positive als negative Bewertungen gibt, berücksichtigen wir dies bei der Analyse. Unwichtige Wörter werden entfernt und die Kommentare in Kleinbuchstaben umgewandelt. Danach zerlegen wir die Sätze in einzelne Wörter. Schließlich identifizieren wir die 2500 wichtigsten Wörter im Datensatz und beschreiben jeden Kommentar anhand dieser Wörter, wobei gezählt wird, wie oft jedes Wort im Kommentar vorkommt."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 4. Datenmodell"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Für die Analyse verwenden wir den DecisionTreeClassifier, ein Modell, das darauf trainiert ist, zu entscheiden, ob ein Kommentar positiv oder negativ ist. Die Daten werden in Trainings- und Testsets aufgeteilt, wobei 80% für das Training und 20% für Tests verwendet werden. Das Modell erreicht eine Genauigkeit von 89%, was bedeutet, dass es in 89% der Fälle korrekte Vorhersagen trifft."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 5. Evaluation"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Um die Leistung unseres Modells zu bewerten, verwenden wir verschiedene Metriken. Die Genauigkeit gibt an, wie oft das Modell richtig vorhersagt, ob ein Kommentar positiv oder negativ ist. Wir betrachten auch die Präzision, die angibt, wie genau das Modell positive Kommentare identifiziert, sowie den Recall, der zeigt, wie viele tatsächlich positive Kommentare vom Modell erkannt wurden. Der F1-Score bietet ein ausgewogenes Maß zwischen Präzision und Recall. Die Konfusionsmatrix visualisiert, wie viele Kommentare korrekt und inkorrekt klassifiziert wurden, einschließlich falsch positiver und falsch negativer Vorhersagen. Diese Metriken helfen uns, die Leistung unseres Modells zu verstehen und gegebenenfalls zu verbessern."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 6. Umsetzung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Für die praktische Anwendung unseres Modells gibt es verschiedene Möglichkeiten des Deployments. Eine Option wäre die Integration des Modells in eine bestehende Plattform oder Anwendung, die Kundenfeedback analysiert. Dies könnte dazu beitragen, automatisch Feedback zu sortieren und Unternehmen zeitnah über positive und negative Rückmeldungen zu informieren.\n",
+    "\n",
+    "Eine andere Umsetzungsmöglichkeit wäre die Entwicklung einer eigenständigen Anwendung oder eines Dashboards, das es Unternehmen ermöglicht, in Echtzeit Feedback zu überwachen und auf kritische Kommentare sofort zu reagieren. Durch regelmäßige Aktualisierungen des Modells mit neuen Daten können wir sicherstellen, dass es kontinuierlich optimiert und an neue Kundenbewertungen angepasst wird.\n",
+    "\n",
+    "Darüber hinaus wäre es wichtig, dass das Modell einfach und effizient in bestehende IT-Infrastrukturen integriert werden kann, um eine reibungslose Implementierung und Nutzung zu gewährleisten. Die Bereitstellung könnte sowohl lokal auf Unternehmensservern als auch in der Cloud erfolgen, je nach den spezifischen Anforderungen und der Skalierbarkeit des Projekts.\n",
+    "\n",
+    "Durch eine gut geplante Umsetzung und Bereitstellung können Unternehmen die Erkenntnisse aus der Analyse der Kundenbewertungen effektiv nutzen, um ihre Produkte und Services kontinuierlich zu verbessern und die Kundenzufriedenheit zu steigern."
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -116,28 +232,6 @@
     "alexa.shape"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 2. Daten und Datenverständnis"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Daten",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Dieses Notebook analysiert fast 3000 Kundenbewertungen von verschiedenen Amazon Alexa-Produkten, darunter Echo, Echo Dot und Alexa Fire Stick. Der Datensatz stammt aus Kaggle https://www.kaggle.com/sid321axn/amazon-alexa-reviews und enthält Bewertungstexte, Sternbewertungen, das Datum der Bewertung, die Produktvariante und das Feedback. Die Daten wurden von Amazon veröffentlicht und umfassen 257 negative und 2893 positive Bewertungen. Ziel ist es, das Kundensentiment zu verstehen und vorherzusagen, um datenbasierte Entscheidungen zur Produktverbesserung und Kundenserviceoptimierung zu treffen."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 127,
@@ -1951,7 +2045,9 @@
   {
    "cell_type": "code",
    "execution_count": 157,
-   "metadata": {},
+   "metadata": {
+    "scrolled": true
+   },
    "outputs": [
     {
      "data": {
@@ -1987,28 +2083,6 @@
     "# # Meachine Learning Model Teil"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 3. Datenvorbereitung"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenvorbereitung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Zur Vorbereitung der Daten entfernen wir zunächst alle Informationen außer den Bewertungstexten. Da es deutlich mehr positive als negative Bewertungen gibt, berücksichtigen wir dies bei der Analyse. Unwichtige Wörter werden entfernt und die Kommentare in Kleinbuchstaben umgewandelt. Danach zerlegen wir die Sätze in einzelne Wörter. Schließlich identifizieren wir die 2500 wichtigsten Wörter im Datensatz und beschreiben jeden Kommentar anhand dieser Wörter, wobei gezählt wird, wie oft jedes Wort im Kommentar vorkommt."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 158,
@@ -3603,28 +3677,6 @@
     "alexa[alexa['feedback']==0].head(20)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 4. Datenmodell"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenmodell",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Für die Analyse verwenden wir den DecisionTreeClassifier, ein Modell, das darauf trainiert ist, zu entscheiden, ob ein Kommentar positiv oder negativ ist. Die Daten werden in Trainings- und Testsets aufgeteilt, wobei 80% für das Training und 20% für Tests verwendet werden. Das Modell erreicht eine Genauigkeit von 89%, was bedeutet, dass es in 89% der Fälle korrekte Vorhersagen trifft."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 166,
@@ -3640,28 +3692,6 @@
     "y_preddata = classifier.predict(X_test)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 5. Evaluation"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Evaluation",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Um die Leistung unseres Modells zu bewerten, verwenden wir verschiedene Metriken. Die Genauigkeit gibt an, wie oft das Modell richtig vorhersagt, ob ein Kommentar positiv oder negativ ist. Wir betrachten auch die Präzision, die angibt, wie genau das Modell positive Kommentare identifiziert, sowie den Recall, der zeigt, wie viele tatsächlich positive Kommentare vom Modell erkannt wurden. Der F1-Score bietet ein ausgewogenes Maß zwischen Präzision und Recall. Die Konfusionsmatrix visualisiert, wie viele Kommentare korrekt und inkorrekt klassifiziert wurden, einschließlich falsch positiver und falsch negativer Vorhersagen. Diese Metriken helfen uns, die Leistung unseres Modells zu verstehen und gegebenenfalls zu verbessern."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 167,
@@ -3772,34 +3802,6 @@
     "acc=accuracy_score(y_test,y_pred)\n",
     "print(acc)"
    ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 6. Umsetzung"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Umsetzung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Für die praktische Anwendung unseres Modells gibt es verschiedene Möglichkeiten des Deployments. Eine Option wäre die Integration des Modells in eine bestehende Plattform oder Anwendung, die Kundenfeedback analysiert. Dies könnte dazu beitragen, automatisch Feedback zu sortieren und Unternehmen zeitnah über positive und negative Rückmeldungen zu informieren.\n",
-    "\n",
-    "Eine andere Umsetzungsmöglichkeit wäre die Entwicklung einer eigenständigen Anwendung oder eines Dashboards, das es Unternehmen ermöglicht, in Echtzeit Feedback zu überwachen und auf kritische Kommentare sofort zu reagieren. Durch regelmäßige Aktualisierungen des Modells mit neuen Daten können wir sicherstellen, dass es kontinuierlich optimiert und an neue Kundenbewertungen angepasst wird.\n",
-    "\n",
-    "Darüber hinaus wäre es wichtig, dass das Modell einfach und effizient in bestehende IT-Infrastrukturen integriert werden kann, um eine reibungslose Implementierung und Nutzung zu gewährleisten. Die Bereitstellung könnte sowohl lokal auf Unternehmensservern als auch in der Cloud erfolgen, je nach den spezifischen Anforderungen und der Skalierbarkeit des Projekts.\n",
-    "\n",
-    "Durch eine gut geplante Umsetzung und Bereitstellung können Unternehmen die Erkenntnisse aus der Analyse der Kundenbewertungen effektiv nutzen, um ihre Produkte und Services kontinuierlich zu verbessern und die Kundenzufriedenheit zu steigern."
-   ]
   }
  ],
  "metadata": {
diff --git a/Rating/Digital Valuation of Real Estate/notebook.ipynb b/Rating/Digital Valuation of Real Estate/notebook.ipynb
index 6cd05bf7eddf64fed2517d9b0c2d214adee89401..d4c7b2c51023adf95a341f29de2d5aa11118cf77 100644
--- a/Rating/Digital Valuation of Real Estate/notebook.ipynb	
+++ b/Rating/Digital Valuation of Real Estate/notebook.ipynb	
@@ -56,6 +56,124 @@
     "Um genaue Mietpreisprognosen zu erstellen, müssen wir die Daten auf die wesentlichen Merkmale reduzieren. Dies bedeutet, dass wir die Daten so aufbereiten, dass nur die wichtigsten Faktoren, die den Mietpreis direkt beeinflussen, in das Modell einfließen. Durch diese Fokussierung auf relevante Variablen können wir die Genauigkeit und Zuverlässigkeit unserer Mietpreisvorhersagen erheblich verbessern."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "## 3. Data Preparation"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenvorbereitung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Um die Daten für die Mietpreisvorhersage optimal vorzubereiten, haben wir mehrere wichtige Schritte unternommen. Zunächst haben wir die 49 verschiedenen Merkmale des umfangreichen Datensatzes von Immoscout24 analysiert. Dabei haben wir uns darauf konzentriert, die Merkmale zu identifizieren, die einen direkten Einfluss auf den Mietpreis haben. Merkmale wie die Größe der Wohnung, das Baujahr und bestimmte Ausstattungsmerkmale erwiesen sich als wichtig und wurden beibehalten. Im Gegensatz dazu zeigten Merkmale wie Balkon oder Keller keinen signifikanten Einfluss auf den Mietpreis und wurden daher aus dem Datensatz entfernt.\n",
+    "\n",
+    "Durch die Bereinigung der Daten konnten wir irrelevante Informationen eliminieren, was die Genauigkeit unserer Analyse deutlich verbesserte. Um die Daten besser analysieren zu können, haben wir auch bestimmte Transformationen vorgenommen. Beispielsweise wurde der Mietpreis logarithmisch transformiert, um die Daten besser auf eine lineare Analyse vorzubereiten.\n",
+    "\n",
+    "Zusätzlich haben wir darauf geachtet, dass keine Multikollinearität, also keine starke Korrelation zwischen den unabhängigen Variablen, in unseren Daten vorhanden ist, da dies die Genauigkeit des Modells beeinträchtigen könnte. Durch diese gründliche Vorbereitung konnten wir sicherstellen, dass die verbleibenden Merkmale tatsächlich relevant und aussagekräftig für die Vorhersage der Mietpreise sind."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 4. Datenmodell"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Wir haben einen Prozess entwickelt, um präzise Vorhersagen für Mietpreise zu treffen, indem wir fortschrittliche Analysetechniken nutzen.\n",
+    "\n",
+    "Zuerst haben wir die Daten in aussagekräftige Merkmale umgewandelt, wie die Größe der Wohnung, das Baujahr und andere relevante Faktoren, die den Mietpreis beeinflussen. Wir haben irrelevante Informationen herausgefiltert, um sicherzustellen, dass unser Modell nur auf relevanten Daten basiert.\n",
+    "\n",
+    "Anschließend haben wir die Daten in Trainings- und Testsets aufgeteilt, um die Leistung unseres Modells zu validieren. Dabei haben wir moderne Analysewerkzeuge verwendet, um die Daten entsprechend vorzubereiten und die Vorhersagen zu optimieren.\n",
+    "\n",
+    "Unser Ziel ist es, ein Modell zu entwickeln, das unseren Kunden dabei hilft, genaue und zuverlässige Mietpreisvorhersagen zu treffen. Dies ermöglicht es unseren Kunden, fundierte Entscheidungen zu treffen und ihre Geschäftsziele effektiv zu erreichen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 5. Evaluation"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Nachdem wir unser Modell entwickelt und trainiert haben, ist es entscheidend, seine Leistung zu evaluieren, um sicherzustellen, dass es zuverlässige Vorhersagen treffen kann. Wir haben dazu verschiedene Schritte unternommen.\n",
+    "\n",
+    "Zuerst haben wir unsere Daten in Trainings- und Testsets aufgeteilt, wobei wir 20% der Daten für die spätere Überprüfung der Modellleistung zurückgehalten haben. Dies ermöglicht es uns, die Genauigkeit des Modells anhand von Daten zu überprüfen, die es während des Trainings nicht gesehen hat.\n",
+    "\n",
+    "Nachdem wir unser Regressionsmodell auf den Trainingsdaten angepasst haben, haben wir es auf den Testdaten angewendet, um Vorhersagen zu generieren. Anschließend haben wir die Vorhersagen mit den tatsächlichen Werten verglichen, um die Genauigkeit zu bewerten.\n",
+    "\n",
+    "Um die Qualität der Vorhersagen zu beurteilen, haben wir verschiedene Metriken wie das R-Quadrat sowie den mittleren absoluten Fehler (MAE), den mittleren quadratischen Fehler (MSE) und die Quadratwurzel des mittleren quadratischen Fehlers (RMSE) verwendet.\n",
+    "\n",
+    "Darüber hinaus haben wir die Vorhersagen visuell mit den tatsächlichen Werten verglichen, um eventuelle Muster oder Abweichungen zu erkennen.\n",
+    "\n",
+    "Durch diese umfassende Evaluierung können wir sicherstellen, dass unser Modell robust ist und genaue Vorhersagen für die Mietpreise liefert. Dies ermöglicht es unseren Kunden, auf verlässliche Daten zurückzugreifen und fundierte Entscheidungen zu treffen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 6. Umsetzung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Die Dehner Immobilien GmbH sollte ihren Bewertungs- und Akquiseprozess digitalisieren, um ohne neue Büros expandieren zu können. Hierbei können Interessenten ihre Immobilien online bewerten lassen, was durch ein auf maschinellem Lernen basierendes Modell geschieht. Die Daten von Immoscout24 werden bereinigt und verwendet, um optimale Mietpreise vorherzusagen. Die Vorhersagen werden durch ein multiple lineare Regressionsmodell getroffen und anschließend auf Genauigkeit geprüft.\n",
+    "\n",
+    "Ein benutzerfreundliches Webportal ermöglicht die Eingabe der Immobilieninformationen, die vom Modell verarbeitet werden. Ein Backend-Framework wie übernimmt die Datenverarbeitung, und eine relationale Datenbank speichert die Informationen. Die Erstellung von Exposés erfolgt zentral aus Stuttgart.\n",
+    "\n",
+    "Diese Lösung ist skalierbar, effizient und ermöglicht eine kosteneffektive Expansion, ohne die Notwendigkeit zusätzlicher Büros. Kontinuierliche Datenaktualisierung und Modellüberwachung gewährleisten die dauerhafte Leistungsfähigkeit des Systems."
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -4256,38 +4374,6 @@
     "data_9.info()"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "## 3. Data Preparation"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenvorbereitung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Um die Daten für die Mietpreisvorhersage optimal vorzubereiten, haben wir mehrere wichtige Schritte unternommen. Zunächst haben wir die 49 verschiedenen Merkmale des umfangreichen Datensatzes von Immoscout24 analysiert. Dabei haben wir uns darauf konzentriert, die Merkmale zu identifizieren, die einen direkten Einfluss auf den Mietpreis haben. Merkmale wie die Größe der Wohnung, das Baujahr und bestimmte Ausstattungsmerkmale erwiesen sich als wichtig und wurden beibehalten. Im Gegensatz dazu zeigten Merkmale wie Balkon oder Keller keinen signifikanten Einfluss auf den Mietpreis und wurden daher aus dem Datensatz entfernt.\n",
-    "\n",
-    "Durch die Bereinigung der Daten konnten wir irrelevante Informationen eliminieren, was die Genauigkeit unserer Analyse deutlich verbesserte. Um die Daten besser analysieren zu können, haben wir auch bestimmte Transformationen vorgenommen. Beispielsweise wurde der Mietpreis logarithmisch transformiert, um die Daten besser auf eine lineare Analyse vorzubereiten.\n",
-    "\n",
-    "Zusätzlich haben wir darauf geachtet, dass keine Multikollinearität, also keine starke Korrelation zwischen den unabhängigen Variablen, in unseren Daten vorhanden ist, da dies die Genauigkeit des Modells beeinträchtigen könnte. Durch diese gründliche Vorbereitung konnten wir sicherstellen, dass die verbleibenden Merkmale tatsächlich relevant und aussagekräftig für die Vorhersage der Mietpreise sind."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 61,
@@ -5850,34 +5936,6 @@
     "sns.pairplot(data_final)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 4. Datenmodell"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenmodell",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Wir haben einen Prozess entwickelt, um präzise Vorhersagen für Mietpreise zu treffen, indem wir fortschrittliche Analysetechniken nutzen.\n",
-    "\n",
-    "Zuerst haben wir die Daten in aussagekräftige Merkmale umgewandelt, wie die Größe der Wohnung, das Baujahr und andere relevante Faktoren, die den Mietpreis beeinflussen. Wir haben irrelevante Informationen herausgefiltert, um sicherzustellen, dass unser Modell nur auf relevanten Daten basiert.\n",
-    "\n",
-    "Anschließend haben wir die Daten in Trainings- und Testsets aufgeteilt, um die Leistung unseres Modells zu validieren. Dabei haben wir moderne Analysewerkzeuge verwendet, um die Daten entsprechend vorzubereiten und die Vorhersagen zu optimieren.\n",
-    "\n",
-    "Unser Ziel ist es, ein Modell zu entwickeln, das unseren Kunden dabei hilft, genaue und zuverlässige Mietpreisvorhersagen zu treffen. Dies ermöglicht es unseren Kunden, fundierte Entscheidungen zu treffen und ihre Geschäftsziele effektiv zu erreichen."
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {
@@ -6223,38 +6281,6 @@
     "y_hat_test = reg.predict(x_test)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 5. Evaluation"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Evaluation",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Nachdem wir unser Modell entwickelt und trainiert haben, ist es entscheidend, seine Leistung zu evaluieren, um sicherzustellen, dass es zuverlässige Vorhersagen treffen kann. Wir haben dazu verschiedene Schritte unternommen.\n",
-    "\n",
-    "Zuerst haben wir unsere Daten in Trainings- und Testsets aufgeteilt, wobei wir 20% der Daten für die spätere Überprüfung der Modellleistung zurückgehalten haben. Dies ermöglicht es uns, die Genauigkeit des Modells anhand von Daten zu überprüfen, die es während des Trainings nicht gesehen hat.\n",
-    "\n",
-    "Nachdem wir unser Regressionsmodell auf den Trainingsdaten angepasst haben, haben wir es auf den Testdaten angewendet, um Vorhersagen zu generieren. Anschließend haben wir die Vorhersagen mit den tatsächlichen Werten verglichen, um die Genauigkeit zu bewerten.\n",
-    "\n",
-    "Um die Qualität der Vorhersagen zu beurteilen, haben wir verschiedene Metriken wie das R-Quadrat sowie den mittleren absoluten Fehler (MAE), den mittleren quadratischen Fehler (MSE) und die Quadratwurzel des mittleren quadratischen Fehlers (RMSE) verwendet.\n",
-    "\n",
-    "Darüber hinaus haben wir die Vorhersagen visuell mit den tatsächlichen Werten verglichen, um eventuelle Muster oder Abweichungen zu erkennen.\n",
-    "\n",
-    "Durch diese umfassende Evaluierung können wir sicherstellen, dass unser Modell robust ist und genaue Vorhersagen für die Mietpreise liefert. Dies ermöglicht es unseren Kunden, auf verlässliche Daten zurückzugreifen und fundierte Entscheidungen zu treffen."
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -6893,32 +6919,6 @@
     "print('MSE:', metrics.mean_squared_error(y_test, y_hat_test))\n",
     "print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, y_hat_test)))"
    ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## 6. Umsetzung"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Umsetzung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Die Dehner Immobilien GmbH sollte ihren Bewertungs- und Akquiseprozess digitalisieren, um ohne neue Büros expandieren zu können. Hierbei können Interessenten ihre Immobilien online bewerten lassen, was durch ein auf maschinellem Lernen basierendes Modell geschieht. Die Daten von Immoscout24 werden bereinigt und verwendet, um optimale Mietpreise vorherzusagen. Die Vorhersagen werden durch ein multiple lineare Regressionsmodell getroffen und anschließend auf Genauigkeit geprüft.\n",
-    "\n",
-    "Ein benutzerfreundliches Webportal ermöglicht die Eingabe der Immobilieninformationen, die vom Modell verarbeitet werden. Ein Backend-Framework wie übernimmt die Datenverarbeitung, und eine relationale Datenbank speichert die Informationen. Die Erstellung von Exposés erfolgt zentral aus Stuttgart.\n",
-    "\n",
-    "Diese Lösung ist skalierbar, effizient und ermöglicht eine kosteneffektive Expansion, ohne die Notwendigkeit zusätzlicher Büros. Kontinuierliche Datenaktualisierung und Modellüberwachung gewährleisten die dauerhafte Leistungsfähigkeit des Systems."
-   ]
   }
  ],
  "metadata": {