diff --git a/environment.yml b/environment.yml
index ed9f4ad6..5cede6d2 100644
--- a/environment.yml
+++ b/environment.yml
@@ -18,5 +18,6 @@ dependencies:
   - nbstripout
   - black
   - black-jupyter
+  - pooch
   - pip:
     - ./pygments_style
diff --git a/python/data/sin_fit.txt b/python/data/sin_fit.txt
new file mode 100644
index 00000000..5b9036c0
--- /dev/null
+++ b/python/data/sin_fit.txt
@@ -0,0 +1,11 @@
+# x y
+0.000000000000000000e+00 2.621434772918542211e-01
+6.981317007977317912e-01 4.271280014348138643e+00
+1.396263401595463582e+00 7.545732202022269242e+00
+2.094395102393195263e+00 6.220187521589215507e+00
+2.792526803190927165e+00 3.941252392172557517e+00
+3.490658503988659067e+00 -1.676311649957553440e+00
+4.188790204786390525e+00 -6.600078564315179364e+00
+4.886921905584122428e+00 -7.537592236437750337e+00
+5.585053606381854330e+00 -4.851500755032368772e+00
+6.283185307179586232e+00 -6.476681314000437562e-01
diff --git a/python/matplotlib.ipynb b/python/matplotlib.ipynb
index c01570c4..bef99c0d 100644
--- a/python/matplotlib.ipynb
+++ b/python/matplotlib.ipynb
@@ -17,6 +17,22 @@
     "Damit wir nicht so viel tippen müssen, geben wir ihr den kürzeren Namen `plt`."
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Folgende Zeilen sind nur hier wichtig und sollen **nicht** übernommen werden."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": null,
@@ -27,8 +43,6 @@
    "source": [
     "from IPython.display import Image\n",
     "\n",
-    "import matplotlib.pyplot as plt\n",
-    "\n",
     "plt.rcParams[\"figure.figsize\"] = (10, 8)\n",
     "plt.rcParams[\"font.size\"] = 16\n",
     "plt.rcParams[\"lines.linewidth\"] = 2"
@@ -58,7 +72,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Zu erst ein einfaches Beispiel mit $f(x)=x^2$.\n",
+    "Zuerst ein einfaches Beispiel mit $f(x)=x^2$.\n",
     "Um den Text-Output in diesem Notebook zu unterdrücken, schreiben wir manchmal ein `;` hinter die letzte Zeile.\n",
     "\n",
     "Im Folgenden verwenden wir die objekt-orientierte Schreibweise von `matplotlib`, die mehr Möglichkeiten und Freiheiten bietet.\n",
@@ -112,8 +126,15 @@
    },
    "outputs": [],
    "source": [
-    "fig2, ax2 = plt.subplots()\n",
-    "ax2.plot(t, np.sin(t), \"r--\");"
+    "fig, ax = plt.subplots()\n",
+    "ax.plot(t, np.sin(t), \"r--\");"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Mit `ax.cla()` entfernen wir alles, was wir vorher in das Achsenobjekt geschrieben haben."
    ]
   },
   {
@@ -163,7 +184,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Neue Grenzen mit `set_xlim(a, b)` und `set_ylim(a, b)`"
+    "Neue Grenzen setzen mit `set_xlim(a, b)` und `set_ylim(a, b)`"
    ]
   },
   {
@@ -179,15 +200,6 @@
     "fig"
    ]
   },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "fig2"
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -209,6 +221,7 @@
    "cell_type": "code",
    "execution_count": null,
    "metadata": {
+    "scrolled": true,
     "tags": []
    },
    "outputs": [],
@@ -228,9 +241,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Einheiten in Achsenbeschriftungen werden wegdividiert:\n",
-    "\n",
-    "Achsen-Beschriftungen können mit LaTeX-Code erstellt werden → LaTeX-Kurs in der nächsten Woche."
+    "## Einheiten in Achsenbeschriftungen werden weg dividiert:\n",
+    "Achsenbeschriftungen können mit LaTeX-Code erstellt werden → LaTeX-Kurs in der nächsten Woche."
    ]
   },
   {
@@ -258,7 +270,7 @@
    "source": [
     "Mehr zu Einheiten gibt es im LaTeX-Kurs.\n",
     "\n",
-    "Als eine alternative Schreibweise für die verschiedenen settings der `axes` kann man auch"
+    "Als eine alternative Schreibweise für die verschiedenen Einstellungen der `axes` kann man auch"
    ]
   },
   {
@@ -288,8 +300,7 @@
    "metadata": {},
    "source": [
     "## Legende\n",
-    "\n",
-    "Legenden für Objekte die ein `label` tragen"
+    "Legenden für Objekte, die ein `label` tragen."
    ]
   },
   {
@@ -316,7 +327,7 @@
    "source": [
     "Seit matplotlib 2.0.2 ist `loc=best` standardmäßig eingestellt.\n",
     "\n",
-    "Andere möglche Orte für die Legende findest du [in der Dokumentation](https://matplotlib.org/stable/api/legend_api.html)."
+    "Andere mögliche Orte für die Legende findest du [in der Dokumentation](https://matplotlib.org/stable/api/legend_api.html)."
    ]
   },
   {
@@ -324,11 +335,10 @@
    "metadata": {},
    "source": [
     "### Gitter\n",
-    "\n",
     "Mit `grid()` wird ein Gitter erstellt:\n",
     "\n",
     "Hier wird auch der Vorteil der objekt-orientierten Schreibweise deutlich. Wir müssen keinen neuen plot erstellen, sondern können dem in `fig` hinterlegten neue Eigenschaften hinzufügen.\n",
-    "Andere möglche Orte für die Legende findest du hier:\n",
+    "Andere mögliche Orte für die Legende findest du hier:\n",
     "https://matplotlib.org/api/legend_api.html."
    ]
   },
@@ -543,7 +553,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Dies führt manchmal zu Spacing-Problemen und Teilen die sich überschneiden."
+    "Dies führt manchmal zu Spacing-Problemen und Teilen, die sich überschneiden."
    ]
   },
   {
@@ -668,7 +678,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### Polar-Plot\n",
+    "### Polarplot\n",
     "Manchmal braucht man einfach einen Polarplot:"
    ]
   },
@@ -785,9 +795,9 @@
    "source": [
     "# Nicht-Objektorientiertes Plotten\n",
     "Bis jetzt haben wir die ausführliche, objektorientierte Variante von matplotlib benutzt.\n",
-    "Es git auch die \"schnelle\" Variante mit der einfacheren `pyplot`-Syntax. Wenn man viele Plots anlegt, ist der objekt-orientierte Ansatz für matplotlib allerdings meist besser geeignet.\n",
+    "Es gibt auch die \"schnelle\" Variante mit der einfacheren `pyplot`-Syntax. Wenn man viele Plots anlegt, ist der objekt-orientierte Ansatz für matplotlib allerdings meist besser geeignet.\n",
     "\n",
-    "Die Schreibweise `plt.plot` zeigen wir hier einmal der Vollständig halber und damit auf Stack Overflow oder ähnlichen Seiten keine Verwirrung entsteht.\n",
+    "Die Schreibweise `plt.plot` zeigen wir hier einmal, der Vollständig halber und damit auf Stack Overflow oder ähnlichen Seiten keine Verwirrung entsteht.\n",
     "Es besteht eigentlich kein wirklicher Grund, diese Schreibweise aktiv zu nutzen."
    ]
   },
@@ -862,7 +872,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Manchmal möchte man komplexere Layouts für Plots haben. Hierbei ist `plt.subplots()` insofern eingeschränkt, dass die Subplots nur auf einem $(N\\times M)$-Gitter angeordnet werden können, bei dem jede Position auf dem Gitter mit einem einzelnen Plot besetzt wird. Hier beispielsweise $(2\\times 3)$:"
+    "Manchmal möchte man komplexere Layouts für Plots haben. Hierbei ist `plt.subplots()` insofern eingeschränkt, als dass die Subplots nur auf einem $(N\\times M)$-Gitter angeordnet werden können, bei dem jede Position auf dem Gitter mit einem einzelnen Plot besetzt wird. Hier beispielsweise $(2\\times 3)$:"
    ]
   },
   {
@@ -993,7 +1003,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Bisher haben wir immer nur das $(2\\times 3)$-Layout nachgebaut, welches wir auch einfach mit `plt.subplots()` erzeugen können. Der Vorteil von `plt.subplot_mosaic()` liegt nun darin, dass wir Subplots auch über mehrere Zeilen oder Spalten ziehen können. Hierzu werden Benachbarte Gitterpositionen einfach gleich benannt:"
+    "Bisher haben wir immer nur das $(2\\times 3)$-Layout nachgebaut, welches wir auch einfach mit `plt.subplots()` erzeugen können. Der Vorteil von `plt.subplot_mosaic()` liegt nun darin, dass wir Subplots auch über mehrere Zeilen oder Spalten ziehen können. Hierzu werden benachbarte Gitterpositionen einfach gleich benannt:"
    ]
   },
   {
@@ -1081,7 +1091,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Hierbei nutzen wir die `ax.get_label()` Methode um in der `ax.annotate()` Methode einen Text (unser Label) mit Ausrichtung oben (\"vertical alignment\", `va=\"top\"`) an die Relativkoordinate $(0.05, 0.95)$ der Achse zu setzen. Die Zeile `anchor = ax.get_window_extent()` zusammen mit dem Keyword-Argument `xycoords=anchor` in `ax.annotate()` sorgt dafür, dass wir uns im Koordinatensystem der Achse befinden und nicht im Koordinatensystem des etwaigen Plotinhalts selbst."
+    "Hierbei nutzen wir die `ax.get_label()` Methode, um in der `ax.annotate()` Methode einen Text (unser Label) mit Ausrichtung oben (\"vertical alignment\", `va=\"top\"`) an die Relativkoordinate $(0.05, 0.95)$ der Achse zu setzen. Die Zeile `anchor = ax.get_window_extent()` zusammen mit dem Keyword-Argument `xycoords=anchor` in `ax.annotate()` sorgt dafür, dass wir uns im Koordinatensystem der Achse befinden und nicht im Koordinatensystem des etwaigen Plotinhalts selbst."
    ]
   },
   {
diff --git a/python/numeric-python.ipynb b/python/numeric-python.ipynb
index 293219c0..bae81be9 100644
--- a/python/numeric-python.ipynb
+++ b/python/numeric-python.ipynb
@@ -170,10 +170,8 @@
    "outputs": [],
    "source": [
     "import math\n",
-    "\n",
     "# This doesn't work\n",
-    "\n",
-    "# math.cos(x_arr)"
+    "math.cos(x_arr)"
    ]
   },
   {
@@ -238,7 +236,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Das erlaubt es einem unter anderem, sehr leicht physikalische Formeln auf seine Datenpunkte anzuwenden.\n",
+    "Das erlaubt es einem unter anderem sehr leicht physikalische Formeln auf seine Datenpunkte anzuwenden.\n",
     "\n",
     "Arrays können beliebige Dimension haben:"
    ]
@@ -317,7 +315,7 @@
     "\n",
     "Die Gesamtzahl der Elemente in einem Array können mit der `size`-Funktion abgefragt werden.\n",
     "\n",
-    "Der Datentyp eines Arrays muss innerhalb des Arrays der gleiche sein. Um den Datentyp eines Arrays abzufragen gibt es die `dtype`-Funktion."
+    "Der Datentyp eines Arrays muss innerhalb des Arrays der gleiche sein. Um den Datentyp eines Arrays abzufragen, gibt es die `dtype`-Funktion."
    ]
   },
   {
@@ -652,7 +650,6 @@
    "metadata": {},
    "source": [
     "# Reduzieren von Arrays\n",
-    "\n",
     "Viele Rechenoperationen reduzieren ein Array auf einen einzelnen Wert."
    ]
   },
@@ -785,7 +782,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Um die Differenzen zwischen benachbarten Elementen herauszufinden kann die Funktion `np.diff()` genutzt werden."
+    "Um die Differenzen zwischen benachbarten Elementen herauszufinden, kann die Funktion `np.diff()` genutzt werden."
    ]
   },
   {
@@ -805,7 +802,6 @@
    "metadata": {},
    "source": [
     "# Input / Output\n",
-    "\n",
     "Um Datenpunkte aus einer Textdatei einzulesen wird die Funktion `np.genfromtxt()` genutzt.\n",
     "Sie gibt den Inhalt einer Textdatei als Array zurück.\n",
     "\n",
@@ -935,7 +931,7 @@
    "metadata": {},
    "source": [
     "Das resultierende Array `data` ist besonders, da es ein sogenanntes `structured array` ist.\n",
-    "Dies ist ein NumPy Array in dem quasi mehrere Arrays in einem abgespeichert sind. Die einzelnen Arrays werden in der Dokumentation `fields` genannt und haben jeweils einen zugeordneten Namen und einen Datentyp."
+    "Dies ist ein NumPy Array, in dem quasi mehrere Arrays in einem abgespeichert sind. Die einzelnen Arrays werden in der Dokumentation `fields` genannt und haben jeweils einen zugeordneten Namen und einen Datentyp."
    ]
   },
   {
@@ -981,7 +977,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.6"
+   "version": "3.12.6"
   }
  },
  "nbformat": 4,
diff --git a/python/python.ipynb b/python/python.ipynb
index 923b19e9..e06d1124 100644
--- a/python/python.ipynb
+++ b/python/python.ipynb
@@ -114,11 +114,11 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# We start the workshop with the traditional first program\n",
-    "print(\"Hello, World!\")\n",
     "\"\"\"\n",
-    "This example is chosen to show the basic functionalities of python.\n",
-    "\"\"\""
+    "We start the workshop with the traditional first program.\n",
+    "\"\"\"\n",
+    "print(\"Hello, World!\")\n",
+    "# This example is chosen to show the basic functionalities of python. "
    ]
   },
   {
@@ -1760,9 +1760,9 @@
    "metadata": {},
    "source": [
     "## Allgemeiner Syntax-Fehler: `SyntaxError`\n",
-    "Zeile in der der Fehler auftritt: `line 6`   \n",
-    "Grund für den Fehler: `SyntaxError: invalid syntax`   \n",
-    "Hier sogar mit Hinweis auf das fehlerhafte/fehlende Zeichen.\n"
+    "Zeile, in der der Fehler auftritt: `line 6`   \n",
+    "Grund für den Fehler: `SyntaxError: expected ':'`   \n",
+    "Hier sogar mit Hinweis auf das fehlerhafte/fehlende Zeichen."
    ]
   },
   {
@@ -1789,15 +1789,10 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Ein zu Anfang verwirrender Fehler\n",
-    "\n",
-    "Die Fehlermeldung ist hier im ersten Moment nicht besonders hilfreich:  \n",
-    "Zeile in der der Fehler auftritt: `line 11`   \n",
-    "Grund für den Fehler: `SyntaxError: invalid syntax` \n",
-    "\n",
-    "Stimmt nur zum Teil, denn in Zeile 11 ist alles in Ordnung und der eigentliche Fehler ist in Zeile 10.   \n",
-    "In komplexeren Programmen ist das nicht mehr so einfach zu sehen wie hier,\n",
-    "deswegen ist es gut, wenn man dieses Verhalten schon mal gesehen hat."
+    "## Klammerfehler\n",
+    "Zeile, in der der Fehler auftritt: `line 10`   \n",
+    "Grund für den Fehler: `SyntaxError: '(' was never closed`   \n",
+    "Hier sogar mit Hinweis auf die Klammer, die keinen Partner hat."
    ]
   },
   {
@@ -1907,9 +1902,9 @@
     "gibt die Fehlermeldung einen *Traceback* aus.\n",
     "Dieser Fall ist eher die Regel, vor allem, wenn Module verwendet werden.\n",
     "Der *Traceback* zeigt die Reihenfolge aller Funktionsaufrufe, die\n",
-    "am Ende zu dem Fehler geführt haben mit dem letzten Aufruf ganz unten *(most recent call last)*.\n",
+    "am Ende zu dem Fehler geführt haben, mit dem letzten Aufruf ganz unten *(most recent call last)*.\n",
     "\n",
-    "Zeilen die zum Auftreten des Fehlers führen:   \n",
+    "Zeilen, die zum Auftreten des Fehlers führen:   \n",
     "Funktionsaufruf in Zeile 13:    \n",
     "`---> 13 add_one_to_inverse_difference(x,y)`   \n",
     "Ergebnis des Funktionsaufrufs ist das `return` in Zeile 5 mit neuem Funktionsaufruf:   \n",
@@ -2285,7 +2280,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.10"
+   "version": "3.12.6"
   }
  },
  "nbformat": 4,
diff --git a/python/scientific-python.ipynb b/python/scientific-python.ipynb
index 2de5ac66..767eb280 100644
--- a/python/scientific-python.ipynb
+++ b/python/scientific-python.ipynb
@@ -11,7 +11,7 @@
     "- Kann numerisch integrieren, DGLs lösen, optimieren, minimieren, …\n",
     "- Enthält auch physikalische Konstanten und wichtige mathematische Funktionen\n",
     "\n",
-    "Überblick über (fast) alles weitere was SciPy kann gibt es hier:\n",
+    "Überblick über (fast) alles Weitere, was SciPy kann, gibt es hier:\n",
     "\n",
     "- https://github.com/MaxNoe/scientific_python_notebooks/blob/master/scipy.ipynb"
    ]
@@ -112,14 +112,14 @@
     "Für Funktionen, die eine Linearkombination von Einzelfunktionen sind, also\n",
     "\n",
     "$$\n",
-    "f(x) = \\sum_i^N a_i \\cdot f_i(x)\n",
+    "f(x) = \\sum_i^N a_i \\cdot f_i(x),\n",
     "$$\n",
     "\n",
     "existiert eine analytische Lösung. Deswegen sollten in solchen Fällen (z.B. alle Polynome) entsprechende Funktionen genutzt werden (z.B. `np.polyfit`).\n",
     "\n",
     "### Lineare Regression bzw. Regression von Polynomen\n",
     "\n",
-    "Im folgenden wird eine lineare Regression mit `np.polyfit` durchgeführt:\n",
+    "Im Folgenden wird eine lineare Regression mit `np.polyfit` durchgeführt:\n",
     "\n",
     "$$\n",
     "f(x) = a + b \\cdot x\n",
@@ -157,10 +157,10 @@
     "# Fit a polynomial of degree 1, return covariance matrix\n",
     "params, covariance_matrix = np.polyfit(x, y, deg=1, cov=True)\n",
     "\n",
-    "errors = np.sqrt(np.diag(covariance_matrix))\n",
+    "uncertainties = np.sqrt(np.diag(covariance_matrix))\n",
     "\n",
-    "for name, value, error in zip(\"ab\", params, errors):\n",
-    "    print(f\"{name} = {value:.3f} ± {error:.3f}\")"
+    "for name, value, uncertainty in zip(\"ab\", params, uncertainties):\n",
+    "    print(f\"{name} = {value:.3f} ± {uncertainty:.3f}\")"
    ]
   },
   {
@@ -188,6 +188,7 @@
   {
    "cell_type": "markdown",
    "metadata": {
+    "collapsed": true,
     "jupyter": {
      "outputs_hidden": true
     }
@@ -197,10 +198,99 @@
     "\n",
     "Wenn eine Funktion nicht linear bezüglich der freien Parameter ist, muss die Lösung numerisch gefunden werden.\n",
     "\n",
-    "Hierbei kann es sein, dass der Minimierungsalgorithmus in lokale Maxima hineinläuft und unsinnige Ergebnisse liefert,\n",
+    "Als erstes Beispiel dafür schauen wir uns folgende Daten an:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "x, y = np.genfromtxt(\"data/sin_fit.txt\", unpack=True)\n",
+    "\n",
+    "ax.cla()\n",
+    "\n",
+    "ax.plot(x, y, \"o\", label=\"Messwerte\")\n",
+    "ax.set(xlabel=r\"$t$ / s\", ylabel=r\"$U$ / V\")\n",
+    "ax.legend()\n",
+    "fig"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Diese Daten sollen an in der Theorie eine Sinus-Kurve beschreiben. Wir schreiben den Sinus allgemein als\n",
+    "$$U(t) = a \\cdot \\sin(b \\cdot t) + c~.$$\n",
+    "und definieren uns die entsprechende Funktion im Code."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def sinus(x, a, b, c):\n",
+    "    return a * np.sin(b * x) + c"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Für das fitten nutzen wir jetzt `curve_fit` und bekommen wieder die Parameter und Kovarianz-Matrix als Rückgabewerte.\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "from scipy.optimize import curve_fit\n",
+    "\n",
+    "params, covariance_matrix = curve_fit(sinus, x, y)\n",
+    "\n",
+    "uncertainties = np.sqrt(np.diag(covariance_matrix))\n",
+    "\n",
+    "for name, value, uncertainty in zip(\"abc\", params, uncertainties):\n",
+    "    print(f\"{name} = {value:.3f} ± {uncertainty:.3f}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Jetzt können wir die gefittete Funktion in den Plot der Messwerte hinzufügen."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "ax.cla()\n",
+    "\n",
+    "x_sin_fit = np.linspace(0, 2 * np.pi)\n",
+    "\n",
+    "ax.plot(x, y, \"o\", label=\"Messwerte\")\n",
+    "ax.plot(x_sin_fit, sinus(x_sin_fit, *params), label=\"Sinus Fit\")\n",
+    "ax.set(xlabel=r\"$t$ / s\", ylabel=r\"$U$ / V\")\n",
+    "ax.legend()\n",
+    "fig"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Bei dieser Variante des Fits kann es passieren, dass der Minimierungsalgorithmus in lokale Maxima hineinläuft und unsinnige Ergebnisse liefert,\n",
     "dies kann mit guten Startwerten meistens vermieden werden.\n",
     "\n",
-    "Als Beispiel einer komplexeren Funktion wird im Folgenden die `Sigmoidfunktion` verwendet (Ähnlich zum `tanh`):\n",
+    "Als Beispiel einer komplexeren Funktion wird im Folgenden die `Sigmoidfunktion` verwendet (ähnlich zum `tanh`):\n",
     "\n",
     "$$ f(x; a, b, c) = \\frac{a}{1 + \\exp(-(x-b))} + c$$"
    ]
@@ -247,8 +337,6 @@
     "ax.cla()\n",
     "ax.plot(x, y, \"o\", label=r\"Messwerte\")\n",
     "\n",
-    "ax.set_xlabel(\"Temperatur / °C\")\n",
-    "ax.set_ylabel(\"$GP$\")\n",
     "ax.set(xlabel=r\"Temperatur / °C\", ylabel=r\"$GP$\")\n",
     "fig"
    ]
@@ -266,8 +354,6 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "from scipy.optimize import curve_fit\n",
-    "\n",
     "params, covariance_matrix = curve_fit(sigmoid, x, y)\n",
     "\n",
     "uncertainties = np.sqrt(np.diag(covariance_matrix))\n",
@@ -539,7 +625,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.6"
+   "version": "3.12.6"
   }
  },
  "nbformat": 4,
diff --git a/python/uncertainties.ipynb b/python/uncertainties.ipynb
index 0282f8df..14b88dfc 100644
--- a/python/uncertainties.ipynb
+++ b/python/uncertainties.ipynb
@@ -100,7 +100,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Man muss daran denken, jetzt die Funktionen aus unumpy zu benutzen (`exp`, `cos`, etc.)"
+    "Man muss daran denken, jetzt die Funktionen aus unumpy zu benutzen (`exp`, `cos`, etc.)."
    ]
   },
   {
@@ -467,7 +467,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.6"
+   "version": "3.12.6"
   }
  },
  "nbformat": 4,