FireDynamics · aralkakinorev · Mar 11, 2025 · Mar 11, 2025 · Mar 11, 2025 · Mar 11, 2025
diff --git a/book/content/Script/03_datenanalyse/0313_beschriftung.ipynb b/book/content/Script/03_datenanalyse/0313_beschriftung.ipynb
@@ -225,7 +225,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Linien, welche parallel zu den Achsen verlaufen und sich über den gesamten Graphikbereich erstrecken sollen, können mit den Methoden `plt.axhline` bzw. `plt.axvline` erstellt werden. "
+    "Linien, welche parallel zu den Achsen verlaufen und sich über den gesamten Graphikbereich erstrecken sollen, können mit den Methoden `plt.axhline` (horizontal) bzw. `plt.axvline` (vertikal) erstellt werden. "
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/0315_skalierung.ipynb b/book/content/Script/03_datenanalyse/0315_skalierung.ipynb
@@ -60,7 +60,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Der Darstellungsbereich kann mit den Methoden `plt.xlim` bzw. `plt.ylim` gewählt werden. Grundsätzlich wählt matplotlib den Bereich so aus, dass alle Daten darin abgebildet werden können. Mit Hilfe der beiden Funktionen können diese Bereiche manuell festlegen."
+    "Der Darstellungsbereich kann mit den Methoden `plt.xlim` bzw. `plt.ylim` gewählt werden. Grundsätzlich wählt matplotlib den Bereich so aus, dass alle Daten darin abgebildet werden können. Mit Hilfe der beiden Funktionen können diese Bereiche manuell festgelegt werden."
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/031_visualisierung.ipynb b/book/content/Script/03_datenanalyse/031_visualisierung.ipynb
@@ -18,7 +18,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "In diesem Kapitel wird das Modul matplotlib vorgestellt, welches für die graphische Aufbereitung von Daten häufig eingesetzt wird. Neben einer grundlegenden Einführung in den Aufbau von Graphiken, werden anhand von eindimensionalen Daten einige Darstellungsfunktionen demonstriert. Zusätzlich werden die Beschriftung, Farbwahl als auch zusätzliche Anpassungsmöglichkeiten von Graphiken zusammengefasst. "
+    "In diesem Kapitel wird das Modul matplotlib vorgestellt, welches für die graphische Aufbereitung von Daten häufig eingesetzt wird. Neben einer grundlegenden Einführung in den Aufbau von Graphiken, werden anhand von eindimensionalen Daten einige Darstellungsfunktionen demonstriert. Zusätzlich werden sowohl die Beschriftung und die Farbwahl als auch zusätzliche Anpassungsmöglichkeiten von Graphiken zusammengefasst. "
    ]
   }
  ],

diff --git a/book/content/Script/03_datenanalyse/0321_numpy.ipynb b/book/content/Script/03_datenanalyse/0321_numpy.ipynb
@@ -11,7 +11,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Das [numpy-Modul](https://numpy.org/) stellt eine für numerische Operationen optimierte Datenstruktur, die numpy-Arrays, welche im Folgenden einfach nur Arrays genannt werden, zur Verfügung. Darüber hinaus werden viele Funktionen, wie der Erzeugung von Zufallszahlen oder die numerische Integration, bereit gestellt. Auch sind effiziente Löser für beispielsweise lineare Gleichungssystem in diesem Modul integriert. "
+    "Das [numpy-Modul](https://numpy.org/) stellt eine für numerische Operationen optimierte Datenstruktur, die numpy-Arrays, welche im Folgenden einfach nur Arrays genannt werden, zur Verfügung. Darüber hinaus werden viele Funktionen, wie die Erzeugung von Zufallszahlen oder die numerische Integration, bereit gestellt. Auch sind effiziente Löser für beispielsweise lineare Gleichungssystem in diesem Modul integriert. "
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/0322_arrays.ipynb b/book/content/Script/03_datenanalyse/0322_arrays.ipynb
@@ -11,7 +11,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die Datenstruktur, welche bei der Verwendung von Python für numerische Analysen bzw. Berechnungen verwendet wird, sind die numpy-Arrays. Im Gegensatz zu Listen, haben sie eine feste Länge und können n-dimensional sein. Der Vorteil der festen Längen und der Einschränkung auf einen festgelegten Datentyp ist die schnelle Verarbeitung und Speichereffizienz. Der Standarddatentyp sind 64-bit-Gleitkommazahlen."
+    "Die Datenstruktur, welche bei der Verwendung von Python für numerische Analysen bzw. Berechnungen verwendet wird, ist das numpy-Array. Im Gegensatz zu einer Liste, hat dieses eine feste Länge und kann n-dimensional sein. Der Vorteil der festen Längen und der Einschränkung auf einen festgelegten Datentyp ist die schnelle Verarbeitung und die Speichereffizienz. Der Standarddatentyp sind 64-bit-Gleitkommazahlen."
    ]
   },
   {
@@ -212,7 +212,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die `np.linspace`-Funktion ist insbesondere bei der exakten diskretisierten Abbildung eines Wertebereich nützlich. Als drittes Argument wird, anstelle der Schrittweite, die Anzahl der zu erzeugenden Elemente übergeben. Das zurückgegebene Array enthällt sowohl den Start- als auch Endwert und die restlichen Elemente sind gleichmäßig zwichen diesen verteilt."
+    "Die `np.linspace`-Funktion ist insbesondere bei der exakten diskretisierten Abbildung eines Wertebereich nützlich. Als drittes Argument wird, anstelle der Schrittweite, die Anzahl der zu erzeugenden Elemente übergeben. Das zurückgegebene Array enthällt sowohl den Start- als auch Endwert und die restlichen Elemente sind gleichmäßig zwischen diesen verteilt."
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/0323_referenzen.ipynb b/book/content/Script/03_datenanalyse/0323_referenzen.ipynb
@@ -11,7 +11,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Ein wichtiger Aspekt beim Arbieten mit Arrays – und auch mit Listen bzw. im Allgemeinen veränderbaren Datentypen – sind Referenzen. "
+    "Ein wichtiger Aspekt beim Arbeiten mit Arrays – und auch mit Listen bzw. mit im Allgemeinen veränderbaren Datentypen – sind Referenzen. "
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/0324_dateien.ipynb b/book/content/Script/03_datenanalyse/0324_dateien.ipynb
@@ -175,8 +175,8 @@
    "source": [
     "# Zuweisung ist auf mehrere Zeilen aufgeteilt, aufgrund der \n",
     "# schmalen Darstellung im Skript\n",
-    "kommentar = f'Daten aus {dateiname} skaliert auf den Beriech' + \\\n",
-    "             '0 bis 1\\noriginales Min / Max:' + \\\n",
+    "kommentar = f'Daten aus {dateiname} skaliert auf den Bereich' +\n",
+    "             '0 bis 1\\noriginales Min / Max:' +\n",
     "            f'{np.min(daten)}/{np.max(daten)}'\n",
     "neu_dateiname = 'TC01_skaliert.csv'\n",
     "\n",
@@ -200,7 +200,7 @@
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "# Daten aus TC01.csv skaliert auf den Beriech 0 bis 1\n",
+      "# Daten aus TC01.csv skaliert auf den Bereich 0 bis 1\n",
       "# originales Min / Max: 20.1/31.1\n",
       " 0.00\n",
       " 0.00\n",

diff --git a/book/content/Script/03_datenanalyse/0325_mehrdimensional.ipynb b/book/content/Script/03_datenanalyse/0325_mehrdimensional.ipynb
@@ -269,7 +269,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Da es sich bei den Daten um Array handelt, ist eine Einschränkung auf bestimmte Bereiche des Datensatzes, hier ein horizontaler Streifen mit der Breite von 200 Punkten um die obige Linie, möglich."
+    "Da es sich bei den Daten um ein Array handelt, ist eine Einschränkung auf bestimmte Bereiche des Datensatzes, hier ein horizontaler Streifen mit der Breite von 200 Punkten um die obige Linie, möglich."
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/0331_interpolation.ipynb b/book/content/Script/03_datenanalyse/0331_interpolation.ipynb
@@ -244,7 +244,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "In diesem Beispiel sind zwei der Nullstellen komplex. Eine komplexe Zahl $\\sf z$ wird in Python als Summe des Realteils ($\\sf Re$) und Imaginärteils ($\\sf Im$). Letzterer wird durch ein nachfolgendes `j`, die imaginäre Einheit, gekennzeichnet.\n",
+    "In diesem Beispiel sind zwei der Nullstellen komplex. Eine komplexe Zahl $\\sf z$ wird in Python als Summe des Realteils ($\\sf Re$) und Imaginärteils ($\\sf Im$) abgebildet. Letzterer wird durch ein nachfolgendes `j`, die imaginäre Einheit, gekennzeichnet.\n",
     "\n",
     "$$\\sf z = Re(z) + Im(z)j$$"
    ]

diff --git a/book/content/Script/03_datenanalyse/0333_splines.ipynb b/book/content/Script/03_datenanalyse/0333_splines.ipynb
@@ -99,7 +99,7 @@
     "* natürliche Splines: die Krümung am Rand verschwindet, d.h.:\n",
     "$$\\sf s_3''(x_0) = s_3''(x_n) = 0 $$\n",
     "* periodische Splines: die Steigung und Krümung ist an beiden Rändern gleich\n",
-    "$$\\sf s_3'(x_0) = s_3'(x_n)$$ \n",
+    "$$\\sf s_3'(x_0) = s_3'(x_n)$$\n",
     "$$\\sf s_3''(x_0) = s_3''(x_n)$$\n",
     "* Hermite Splines: die Steigungen am Rand werden explizit vorgegeben (hier durch $\\sf u$ und $\\sf v$)\n",
     "$$\\sf s_3'(x_0) = u $$\n",

diff --git a/book/content/Script/03_datenanalyse/033_modellierung.ipynb b/book/content/Script/03_datenanalyse/033_modellierung.ipynb
@@ -31,7 +31,7 @@
     "\n",
     "$$ \\sf y(x) = \\sum_{i=1}^{m}\\beta_i \\cdot \\phi_i(x) = \\beta_1\\cdot \\phi_1(x) + \\cdots + \\beta_m\\cdot \\phi_m(x) $$\n",
     "\n",
-    "Die Koeffizienten $\\sf \\beta_i$ müssen dabei so bestimmt werden, dass $\\sf y(x)$ so gut wie möglich – oder gar exakt – die Messpunkte approximieren. "
+    "Die Koeffizienten $\\sf \\beta_i$ müssen dabei so bestimmt werden, dass $\\sf y(x)$ so gut wie möglich – oder gar exakt – die Messpunkte approximiert. "
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/034_klassifizierung.ipynb b/book/content/Script/03_datenanalyse/034_klassifizierung.ipynb
@@ -109,7 +109,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Der k-Means-Algorithmus weist ein sehr einfaches und effizientes Verfahren zur Bestimmung der Clusterzentren. \n",
+    "Der k-Means-Algorithmus weist ein sehr einfaches und effizientes Verfahren zur Bestimmung der Clusterzentren auf. \n",
     "1. Es werden $\\sf k$ (zufällige) Clusterzentren vorgegeben.\n",
     "2. Für jeden Datenpunkt $\\sf \\vec{x}_j$ wird das nächstgelegene Clusterzentrum bestimmt.\n",
     "3. Die Clusterzentren werden in die Mittelpunkte der ihnen zugewiesenen Menge von Datenpunkten verschoben.\n",
@@ -224,7 +224,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die folgende Graphik zeigt die Datenpunkte, weche je nach Clusterzugehörigkeit eingefärbt sind, und die Zentren der Cluster."
+    "Die folgende Graphik zeigt die Datenpunkte, welche je nach Clusterzugehörigkeit eingefärbt sind, und die Zentren der Cluster."
    ]
   },
   {

diff --git a/book/content/Script/03_datenanalyse/035_optimierung.ipynb b/book/content/Script/03_datenanalyse/035_optimierung.ipynb
@@ -253,7 +253,7 @@
     "\\sf p_1\\cdot p_2 & \\sf x \\ge p_2\n",
     "\\end{cases}$$\n",
     "\n",
-    "Dabei entspricht $\\sf p_1$ der Steigung im ersten Teil der Funktion und $\\sf p_2$ gibt den x-Wert an, an welchem der zweite Teil anfängt, welcher konstant ist und stetig zum erten Teil ist."
+    "Dabei entspricht $\\sf p_1$ der Steigung im ersten Teil der Funktion und $\\sf p_2$ gibt den x-Wert an, an welchem der zweite Teil anfängt, welcher konstant ist und stetig zum ersten Teil ist."
    ]
   },
   {
-Original file line number
+Diff line change
@@ Expand Up / @@ -31,7 +31,7 @@ @@
         "\n",
         "$$ \\sf y(x) = \\sum_{i=1}^{m}\\beta_i \\cdot \\phi_i(x) = \\beta_1\\cdot \\phi_1(x) + \\cdots + \\beta_m\\cdot \\phi_m(x) $$\n",
         "\n",
-        "Die Koeffizienten $\\sf \\beta_i$ müssen dabei so bestimmt werden, dass $\\sf y(x)$ so gut wie möglich – oder gar exakt – die Messpunkte approximieren. "
+        "Die Koeffizienten $\\sf \\beta_i$ müssen dabei so bestimmt werden, dass $\\sf y(x)$ so gut wie möglich – oder gar exakt – die Messpunkte approximiert. "
        ]
       },
       {
@@ Expand Down @@