initial commit

.gitignore

@@ -0,0 +1 @@
+notebooks/.ipynb_checkpoints

.python-version

@@ -0,0 +1 @@
+ki

data/exam-iq.csv

@@ -0,0 +1,21 @@
+Pass,Hours,IQ
+0,0.50,110
+0,0.75,95
+0,1.00,118
+0,1.25,97
+0,1.50,100
+0,1.75,110
+0,1.75,115
+1,2.00,104
+1,2.25,120
+0,2.50,98
+1,2.75,118
+0,3.00,88
+1,3.25,108
+1,4.00,109
+1,4.25,110
+1,4.50,112
+1,4.75,97
+1,5.00,102
+1,5.50,109
+0,3.50,125

notebooks/data

@@ -0,0 +1 @@
+../data

pyrightconfig.json

@@ -0,0 +1,4 @@
+{
+    "venvPath": "/home/plex/.pyenv/versions",
+    "venv": "ki"
+}

tasks/01-melbourne.py

@@ -0,0 +1,33 @@
+from telnetlib import BM
+# %% Imports
+# imports überall im Code möglich, aber die Konvention ist alle benötigten import statements
+# gleich zu Beginn einer Datei zu machen
+
+# numpy ist ein Python-Modul für Numerik, das sowohl Funktionalität als auch Effizienz bietet
+import numpy as np
+# pandas ist sehr gut zum Arbeiten mit tabellarischen Daten, egal ob csv, xls oder xlsx
+import pandas as pd
+# plotting settings
+pd.plotting.register_matplotlib_converters()
+# matplotlib ist ein sehr umfangreiches Modul zum Erstellen von Visualisierungen/Plots
+import matplotlib.pyplot as plt
+%matplotlib inline
+# seaborn erleichtert das Erstellen von oft verwendeten Plot-Typen;
+# es basiert selbst auf matplotlib und man kann beides kombinieren
+# eine schöne Einführung in Seaborn: https://www.kaggle.com/learn/data-visualization
+import seaborn as sns
+
+
+# %% Data
+data = pd.read_csv("../data/melb_data.csv").dropna()
+# Ein Outlier, blöder Arsch
+ax = sns.scatterplot(x=data['BuildingArea'], y=data['Price'])
+ax.set(xlim=(0, 1000))
+
+
+# %% linear regression
+X = data['BuildingArea']
+Y = data['Price']
+# aber das ist noch nicht die fertige eingabe, da fehlt die konstante 1!
+# und mit Y ist auch irgendwas :(
+# w_ana = np.linalg.solve(X.T @ X , X.T @ Y)

test.py

@@ -0,0 +1,11 @@
+# %% Cell
+import numpy as np
+
+# %% Cell
+bla = np.arctan(55)
+print(bla)
+
+# %% Cell
+bla = 19
+print("penis")
+print(bla)