cleanup and renames

Geometrische_Optik/yaml/data.yaml

-# Das ist eine Kommentarzeile schreiben Sie so viele Kommentare in Ihre 
-# yaml-Dateien, wie sie möchten! 
-
-# Hier geben Sie den Titel des plots an, der nach der Anpassung des Modells and 
-# die Daten angezeigt werden wird.
-title: "Beispiel aus Datei 'data.yaml'"
-# Hier geben Sie den Titel auf der x-Achse an.
-x_label: 'x-Werte'
-# Hier geben Sie den titel auf der y-Achse an.
-y_label: 'y-Werte'
-# Dieses Label wird in der Legende angezeigt. 
-label: Zufallsdaten
-# Dieses sind die Werte der Beispieldaten auf der x-Achse.
-x_data: [0., 0.2, 0.4, 0.6, 0.8, 1., 1.2, 1.4, 1.6, 1.8, 2., 2.2, 2.4, 2.6]
-# Dieses hier sind die Unsicherheiten der Werte auf der x-Achse. Geben Sie nur 
-# eine einzige Zahl an, gilt diese als Unsicherheit für alle Werte. Dies wird 
-# die Verwendung in diesem Versuch sein. 
-x_errors: [0.01,0.015,0.02,0.025,0.03,0.035,0.04,0.045,0.05,0.055,0.06,
-           0.065,0.07,0.075]
-# Dieses sind die Werte der Beispieldaten auf der y-Achse.  
-y_data: [1.149, 0.712, 0.803, 0.464, 0.398, 0.355, 0.148,
-         0.328, 0.181, 0.140, 0.0651, 0.005, -0.005, 0.116]
-# Hier sehen Sie nur einen Eintrag für die Unsicherheiten der Werte auf der 
-# y-Achse. Das entspricht der Verwendung in diesem Versuch.
-y_errors: 0.07
-# Dieses ist ein Namenslabel für das Modell, das Sie an die Daten anpassen 
-# möchten.
-model_label: 'Exponential'
-# Dieses ist die Modell-Funktion, die Sie an die Daten anpassen möchten. 
-# Beachten Sie das "|"-Symbol nach dem yaml-Schlüsselwort "model_function". 
-# Danach folgt die definition der Funktion in Python. Sie können alle vor-
-# installerten Bibliotheken, wie z.B. Numpy (np) verwenden. 
-model_function: |
-    def exp_model(x, A=1., x0=1.):
-      return A*np.exp(-x/x0)
-