Update posts

Author: yunseo-kim

_posts/de/2021-04-04-summary-of-kaggle-intro-to-machine-learning-course.md

@@ -17,7 +17,7 @@ Nach jedem abgeschlossenen Kurs werde ich die wichtigsten Inhalte kurz zusammenf
 ## Lesson 1. How Models Work
 Zum Einstieg beginnen wir ganz entspannt. Es geht darum, wie Machine-Learning-Modelle funktionieren und wofür sie verwendet werden. Anhand der Aufgabe, Immobilienpreise vorherzusagen, wird ein einfaches Entscheidungsbaum-Klassifikationsmodell (Decision Tree) als Beispiel erläutert.
 
-Das Auffinden von Mustern in Daten nennt man ein Modell **trainieren** (**fitting** oder **training** the model). Die Daten, mit denen das Modell trainiert wird, heißen **Trainingsdaten (training data)**. Nach dem Training kann man das Modell auf neue Daten anwenden und **vorhersagen (predict)**.
+Das Auffinden von Mustern in Daten nennt man ein Modell **anpassen (fitting)** oder **trainieren (training)**. Die Daten, mit denen das Modell trainiert wird, heißen **Trainingsdaten (training data)**. Nach dem Training kann man das Modell auf neue Daten anwenden und **vorhersagen (predict)**.
 
 ## Lesson 2. Basic Data Exploration
 In jedem Machine-Learning-Projekt steht am Anfang, dass man sich selbst mit den Daten vertraut macht. Nur wenn man die Eigenschaften der Daten versteht, kann man ein geeignetes Modell entwerfen. Zum Erkunden und Transformieren von Daten verwendet man in der Regel die Bibliothek [Pandas](https://pandas.pydata.org/).
@@ -72,7 +72,7 @@ Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       dtype='object')
 ```
 
-Es gibt verschiedene Wege, die benötigten Teile aus den Daten auszuwählen; ausführlicher behandelt das der [Pandas Micro-Course](https://www.kaggle.com/learn/pandas) von Kaggle (den ich später ebenfalls zusammenfassen werde). Hier verwenden wir zwei Methoden:
+Es gibt verschiedene Wege, die benötigten Teile aus den Daten auszuwählen; ausführlicher behandelt das der [Pandas Micro-Course](https://www.kaggle.com/learn/pandas) von Kaggle (das habe ich in [einem separaten Beitrag](/posts/summary-of-kaggle-pandas-course/) zusammengefasst). Hier verwenden wir zwei Methoden:
 1. Dot-Notation
 2. Verwendung einer Liste
 

_posts/de/2024-10-30-the-free-particle.md

@@ -153,8 +153,9 @@ $$ \phi(k) = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\Psi(x,0)e^{-ikx}dx \la
 
 Im Wesentlichen ist ein Wellenpaket eine Überlagerung zahlreicher Sinusfunktionen, deren Amplituden durch $\phi$ bestimmt werden. Das heißt, das Wellenpaket hat eine 'Einhüllende' mit 'Kräuselungen' darin.
 
-![A wave packet with the group velocity larger(5x) than phase velocity](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/wave_packet.gif)
+![A wave packet with the group velocity larger(5x) than phase velocity](/physics-visualizations/figs/wave_packet.webp)
 > *Bildlizenz und Quellenangabe*
+> - Quellcode zur Bilderzeugung (Python3): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.py)
 > - Quellcode zur Bilderzeugung (gnuplot): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.plt)
 > - Lizenz: [Mozilla Public License 2.0](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 > - Originalautor: [Ph.D. Youjun Hu](https://github.com/youjunhu)

_posts/de/2025-05-17-gravitational-field-and-potential.md

@@ -199,8 +199,8 @@ $$\begin{align*}
 ### Ergebnisse
 Die zuvor berechneten Gravitationspotentiale $\Phi$ in den drei Bereichen und die entsprechenden Beträge der Gravitationsfeldvektoren $\|\mathbf{g}\|$ als Funktion der Entfernung $R$ sind grafisch wie folgt dargestellt:
 
-![Gravitational Potential as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-gravitational-potential.png)
-![Magnitude of the Field Vector as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-field-vector.png)
+![Gravitational Potential as a Function of R](/physics-visualizations/figs/shell-theorem-gravitational-potential.png)  
+![Magnitude of the Field Vector as a Function of R](/physics-visualizations/figs/shell-theorem-field-vector.png)  
 > - Python-Visualisierungscode: [yunseo-kim/physics-visualizations Repository](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/shell_theorem.py)
 > - Lizenz: [Siehe hier](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 

_posts/en/2021-04-04-summary-of-kaggle-intro-to-machine-learning-course.md

@@ -72,7 +72,7 @@ Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       dtype='object')
 ```
 
-There are many ways to select relevant parts of a dataset; Kaggle’s [Pandas Micro-Course](https://www.kaggle.com/learn/pandas) covers them in more depth (I’ll summarize that later as well). Here we’ll use two:
+There are many ways to select relevant parts of a dataset; Kaggle’s [Pandas Micro-Course](https://www.kaggle.com/learn/pandas) covers them in more depth (I summarized this in [a separate post](/posts/summary-of-kaggle-pandas-course/)). Here we’ll use two:
 1. Dot notation
 2. Using a list
 

_posts/en/2024-10-30-the-free-particle.md

@@ -151,8 +151,9 @@ $$ \phi(k) = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\Psi(x,0)e^{-ikx}dx \la
 
 Essentially, a wave packet is a superposition of numerous sine functions whose amplitudes are determined by $\phi$. That is, there are 'ripples' within the 'envelope' that forms the wave packet.
 
-![A wave packet with the group velocity larger(5x) than phase velocity](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/wave_packet.gif)
+![A wave packet with the group velocity larger(5x) than phase velocity](/physics-visualizations/figs/wave_packet.webp)
 > *Image license and source attribution*
+> - Image generation source code (Python3): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.py)
 > - Image generation source code (gnuplot): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.plt)
 > - License: [Mozilla Public License 2.0](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 > - Original author: [Ph.D. Youjun Hu](https://github.com/youjunhu)

_posts/en/2025-05-17-gravitational-field-and-potential.md

@@ -199,8 +199,8 @@ $$\begin{align*}
 ### Results
 The gravitational potential $\Phi$ in the three regions obtained above, and the corresponding magnitude of the gravitational field vector $\|\mathbf{g}\|$ as functions of distance $R$, are shown graphically as follows:
 
-![Gravitational Potential as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-gravitational-potential.png)
-![Magnitude of the Field Vector as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-field-vector.png)
+![Gravitational Potential as a Function of R](/physics-visualizations/figs/shell-theorem-gravitational-potential.png)  
+![Magnitude of the Field Vector as a Function of R](/physics-visualizations/figs/shell-theorem-field-vector.png)  
 > - Python visualization code: [yunseo-kim/physics-visualizations repository](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/shell_theorem.py)
 > - License: [See here](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 

_posts/es/2021-04-04-summary-of-kaggle-intro-to-machine-learning-course.md

@@ -17,7 +17,7 @@ Cada vez que termine un curso, pienso resumir brevemente lo que he aprendido. Es
 ## Lesson 1. How Models Work
 Empezamos de forma ligera y sin presión. Trata de cómo funcionan y cómo se usan los modelos de aprendizaje automático. Partiendo del supuesto de que hay que predecir precios inmobiliarios, se explica con un ejemplo sencillo de un modelo de clasificación de árbol de decisión (Decision Tree).
 
-Encontrar patrones a partir de los datos se denomina **entrenar** el modelo (**fitting** o **training** the model). Los datos usados para entrenar el modelo se llaman **datos de entrenamiento (training data)**. Una vez entrenado, se puede aplicar el modelo a nuevos datos para **predecir (predict)**.
+Encontrar patrones a partir de los datos se denomina **ajustar (fitting)** o **entrenar (training)** el modelo. Los datos usados para entrenar el modelo se llaman **datos de entrenamiento (training data)**. Una vez entrenado, se puede aplicar el modelo a nuevos datos para **predecir (predict)**.
 
 ## Lesson 2. Basic Data Exploration
 En cualquier proyecto de aprendizaje automático, lo primero es familiarizarse con los datos. Hay que entender sus características para diseñar un modelo adecuado. Para explorar y manipular datos suele usarse la biblioteca [Pandas](https://pandas.pydata.org/).
@@ -72,7 +72,7 @@ Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       dtype='object')
 ```
 
-Hay varias formas de seleccionar las partes necesarias del conjunto de datos; Kaggle lo trata con más detalle en el [Microcurso de Pandas](https://www.kaggle.com/learn/pandas) (este contenido también lo resumiré más adelante). Aquí usamos dos métodos:
+Hay varias formas de seleccionar las partes necesarias del conjunto de datos; Kaggle lo trata con más detalle en el [Microcurso de Pandas](https://www.kaggle.com/learn/pandas) (este contenido lo he resumido en [una entrada aparte](/posts/summary-of-kaggle-pandas-course/)). Aquí usamos dos métodos:
 1. Notación por punto
 2. Uso de listas
 

_posts/es/2024-10-30-the-free-particle.md

@@ -153,8 +153,9 @@ $$ \phi(k) = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}\Psi(x,0)e^{-ikx}dx \la
 
 Esencialmente, un paquete de ondas es una superposición de numerosas funciones seno cuyas amplitudes están determinadas por $\phi$. Es decir, dentro de la 'envolvente' que forma el paquete de ondas hay 'ondulaciones'.
 
-![A wave packet with the group velocity larger(5x) than phase velocity](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/wave_packet.gif)
+![A wave packet with the group velocity larger(5x) than phase velocity](/physics-visualizations/figs/wave_packet.webp)
 > *Licencia de imagen y atribución de fuente original*
+> - Código fuente de generación de imagen (Python3): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.py)
 > - Código fuente de generación de imagen (gnuplot): [yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/wave_packet.plt)
 > - Licencia: [Mozilla Public License 2.0](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 > - Autor original: [Ph.D. Youjun Hu](https://github.com/youjunhu)

_posts/es/2025-05-17-gravitational-field-and-potential.md

@@ -199,8 +199,8 @@ $$\begin{align*}
 ### Resultados
 Los potenciales gravitacionales $\Phi$ en las tres regiones calculadas anteriormente, y la magnitud correspondiente del vector de campo gravitacional $\|\mathbf{g}\|$ como función de la distancia $R$ se muestran gráficamente a continuación.
 
-![Gravitational Potential as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-gravitational-potential.png)
-![Magnitude of the Field Vector as a Function of R](https://raw.githubusercontent.com/yunseo-kim/physics-visualizations/refs/heads/main/figs/shell-theorem-field-vector.png)
+![Gravitational Potential as a Function of R](/physics-visualizations/figs/shell-theorem-gravitational-potential.png)  
+![Magnitude of the Field Vector as a Function of R](/physics-visualizations/figs/shell-theorem-field-vector.png)  
 > - Código de visualización en Python: [repositorio yunseo-kim/physics-visualizations](https://github.com/yunseo-kim/physics-visualizations/blob/main/src/shell_theorem.py)
 > - Licencia: [Ver aquí](https://github.com/yunseo-kim/physics-visualizations?tab=readme-ov-file#license)
 

_posts/fr/2021-04-04-summary-of-kaggle-intro-to-machine-learning-course.md

@@ -17,7 +17,7 @@ J’ai décidé d’étudier les [cours publics de Kaggle](https://www.kaggle.co
 ## Leçon 1. How Models Work
 On commence en douceur. Il s’agit de comprendre comment les modèles de machine learning fonctionnent et comment ils s’emploient. En partant d’un scénario d’estimation de prix immobiliers, le cours prend l’exemple d’un simple modèle de classification par arbre de décision.
 
-Apprendre des motifs à partir des données s’appelle **entraîner** le modèle (**fitting** ou **training** du modèle). Les données utilisées pendant l’entraînement sont appelées **données d’entraînement (training data)**. Une fois l’entraînement terminé, on peut appliquer le modèle à de nouvelles données pour **prédire (predict)**.
+Apprendre des motifs à partir des données revient à dire qu’on **ajuste (fitting)** ou qu’on **entraîne (training)** le modèle. Les données utilisées pendant l’entraînement sont appelées **données d’entraînement (training data)**. Une fois l’entraînement terminé, on peut appliquer le modèle à de nouvelles données pour **prédire (predict)**.
 
 ## Leçon 2. Basic Data Exploration
 Dans tout projet de machine learning, la première étape consiste à se familiariser avec les données. Il faut en comprendre les caractéristiques pour concevoir un modèle adapté. Pour explorer et manipuler les données, on utilise généralement la bibliothèque [pandas](https://pandas.pydata.org/).
@@ -73,7 +73,7 @@ Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       dtype='object')
 ```
 
-Il existe plusieurs façons de sélectionner des sous-ensembles des données; le [Micro-cours Pandas](https://www.kaggle.com/learn/pandas) de Kaggle les explore en détail (je le résumerai plus tard). Ici, nous en utilisons deux:
+Il existe plusieurs façons de sélectionner des sous-ensembles des données; le [Micro-cours Pandas](https://www.kaggle.com/learn/pandas) de Kaggle les explore en détail (j’en ai fait un [billet séparé](/posts/summary-of-kaggle-pandas-course/)). Ici, nous en utilisons deux:
 1. Dot notation
 2. Utiliser une liste