diff --git a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb
index 96b6907daf81d1a1f79759e597c72f8f92082b7c..e78abe10ce4bf8625af38aecf2edf554a8b9e1c2 100644
--- a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb	
+++ b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb	
@@ -9,8 +9,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# Prediction Interest for car insurance"
@@ -25,8 +24,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. \n",
@@ -42,13 +40,12 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Business",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# 1. Business Understanding"
@@ -64,8 +61,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "InsurTech-Unternehmen beschäftigen sich mit dem\n",
@@ -82,13 +78,12 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Daten",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# 2. Daten und Datenverständnis"
@@ -104,8 +99,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "Der Datensatz heißt Janatahack Cross-sell Prediction und wurde in einen Trainings- und einen Testdatensatz aufgeteilt. Das Attribut \"Response\" ist die Zielvariable und drückt das Interesse eines Kunden an einer Kfz-Versicherung aus. Da diese wichtige Spalte jedoch merkwürdigerweise im Testdatensatz fehlt, wurde nur der Trainingsdatensatz für das Modell verwendet. Dieser wurde also für Training und Test verwendet. Der Datensatz besteht aus 12 Spalten und 381109 Zeilen. Jede Zeile steht für eine Person."
@@ -452,6 +446,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
+    "include": false,
     "slideshow": {
      "slide_type": ""
     },
@@ -619,13 +614,12 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Evaluation",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# Evaluation"
@@ -640,8 +634,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "Für die Modellierung wurde die Logistische Regression gewählt, da keine Linearität in den Daten festgestellt wurde. \n",
@@ -5010,13 +5003,12 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Datenmodell",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# Datenmodell"
@@ -5031,8 +5023,7 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "Die Logistische Regression wurde gewählt, um Kundeninteressen vorherzusagen, da keine linearen Beziehungen zwischen den Variablen festgestellt wurden. \n",
@@ -5043,13 +5034,12 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Umsetzung",
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "# Umsetzung"
@@ -5064,45 +5054,19 @@
     "slideshow": {
      "slide_type": ""
     },
-    "tags": [
-    ]
+    "tags": []
    },
    "source": [
     "Die Zielgruppe für diese Lösung sind Versicherungsunternehmen, die durch die Implementierung dieser Vorhersagemodelle erhebliche Vorteile erwarten können. \n",
     "Zu den Leistungen zählen Kostenersparnisse, Zeitersparnisse, die Gewinnung neuer Kunden und eine Steigerung des Umsatzes. \n",
     "Wie genau die Integration der Lösung in bestehende Systeme erfolgen soll, wurde nicht angegeben."
    ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": false,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": false,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    ""
-   ]
   }
  ],
  "metadata": {
+  "Teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen.",
   "category": "Insurance",
+  "dataSource": "https://www.kaggle.com/datasets/jassican/janatahack-crosssell-prediction",
   "kernelspec": {
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
@@ -5118,14 +5082,11 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.10.11"
+   "version": "3.12.3"
   },
   "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Insurance/Prediction%20Interest%20for%20car%20insurance/notebook.ipynb?ref_type=heads",
-  "dataSource": "https://www.kaggle.com/datasets/jassican/janatahack-crosssell-prediction",
-
   "skipNotebookInDeployment": false,
-  "title": "Vorhersage für das Interesse an Auto Versicherungen",
-  "Teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen."
+  "title": "Vorhersage für das Interesse an Auto Versicherungen"
  },
  "nbformat": 4,
  "nbformat_minor": 4