rewrite docs/README.md and refleksjonsnotat, add KI-declaration

docs/README.md

@@ -4,9 +4,8 @@
 [Refleksjonsnotat](./refleksjonsnotat.md), her har vi snakket om vår erfaring av prosjektet, hva vi har lært om både programmering og samarbeid. Litt problemer vi har møtt på veien, og litt refleksjon rundt hva om kunne vært gjort annerledes. Men det viktigste er vår refleksjon over egen læring.
 
 ### KI - declaration
-
-Første deklarasjon: 
-[Se KI-deklarasjonen](./KI_one_declaration.pdf)
 - Må åpnes som pdf view, dette kan installeres i extentions dersom man ikke har. Søk på pdf view og installer for eksempel: vscode-pdf eller PDF Viewer. 
+
+Hanne Heggdal: [KI-deklarasjon](./KI_declaration_hanne_heggdal.pdf)
 
-Andre deklarasjon: 
+Tora Vestlund: [KI-deklarasjon](./KI_declaration_tora_vestlund.pdf)

docs/refleksjonsnotat.md

@@ -1,16 +1,18 @@
 #### Oppgave 7 - Refleksjonsnotat 
-Det vi har lært om datainnsamling, databehandling og dataanalyse, visualisering gjennom dette prosjektet er at det krever en del arbeid og kan være frustrerende, men når man får det til så er det en utrolig mestringsfølelse og en veldig oversiktlig og informativ representasjon av datainnsamlingene. Visualiseringen av dataen var mest givende fordi vi fikk tydelig se at databehandlingen og datarenskingen ga resultater og et fint layout. 
+Det vi har lært om datainnsamling, databehandling og dataanalyse, visualisering gjennom dette prosjektet er at det krever en del arbeid og kan være frustrerende, men når man får det til så er det en utrolig mestringsfølelse og en veldig oversiktlig og informativ representasjon av datainnsamlingene. Visualiseringen av dataen var mest givende fordi vi fikk tydelig se at databehandlingen og datarenskingen ga resultater og en fint layout. 
 
 Vi har hatt noe koding med Pythons-bibliotekene Pandas, NumPy og Matplotlib fra emne TDT4111 forrige semester. Men gjennom dette emne og denne oppgaven har vi blitt tryggere på alle tre, spesielt Pandas. Vi har også blitt kjent med et nytt bibliotek, Scikit-learn og fått nye ferdigheter til hvordan å bruke dette til å gjøre lineær regresjon. 
 
 Når vi først skulle komme i gang med prosjektet møtte vi på en del hindringer og komplikasjoner ved GitHub og API. Vi støtte på et problem etter å ha klonet repoet inn i en mappe i OneDrive, når vi skulle begynne å pushe og pulle. Etter flere feilmeldinger og forsøk på å løse dette, prøvde vi å flytte mappen fra OneDrive til direkte på datamaskinen og da løste det seg. Ellers har det noen ganger dukket opp feilmeldinger når vi har manglet biblioteker eller de har trengt å oppdatere seg, men disse små hindrene løste vi fort ved å installere `requirements.txt` på nytt.
 
 Sammarbeidet i gruppen har gått bra. Når vi har møtt på hindre har vi vært flinke til å hjelpe hverandre og løse de sammen. Vi har møttes jevnlig, jobbet sammen og fordelt oppgaver oss i mellom frem til neste møte. Hanne har hatt noen problemer med GitHub, så noen av løsningene har vært å sende tekst til README.md filer på mail. Ikke en optimal løsning, men vi fikk det bedre til tilslutt med en del pull og merge request.
 
-Kvaliteten på dataene våre mener vi er gode ettersom vi har en API som man trenger å lage bruker for (gratis) og har utrolig mye data for mange mange år og mange steder. Vi mener dette styrker troverdigheten og legitimiteten til dataene våre. Vi har fått laget mange diagrammer og mange Jupyter Notebooks som gjør at brukeren kan velge fra forskjellige perioder og steder de ønsker informasjon om værforhold fra. Grafene er lett lesbare og har realistisk data noe vi mener styrker kvaliteten på dataene våre. Ettersom dataene fra API-en vår er i kelvin og ikke celsius har det noen steder vært litt komplikasjoner med riktig temperatur, noe som gjerne svekker kvaliteten litt. 
+Kvaliteten på dataene våre mener vi er gode ettersom vi har en API som man trenger å lage bruker for (gratis) og har utrolig mye data for mange mange år og mange steder. Vi mener dette styrker troverdigheten og legitimiteten til dataene våre. Vi har fått laget mange diagrammer og mange Jupyter Notebooks som gjør at brukeren kan velge fra forskjellige perioder og steder de ønsker informasjon om værforhold fra. Grafene er lett lesbare og har realistisk data noe vi mener styrker kvaliteten på dataene våre. Ettersom dataene fra API-en vår er i kelvin og ikke celsius har det noen steder vært litt komplikasjoner med riktig temperatur, noe som gjerne svekker kvaliteten litt.
+
+Det gikk en god stund inn i prosjektet før vi oppdaget at vi ikke kunne hente ut data for mer en det siste året, annet enn på `notebook_statistic_data`. Det var en frustrerende situasjon så langt ut i prosjektet, men det var for sent å finne en ny API. Vi hadde noen visjoner vi da måtte legge bort, som å sammenligne værdata fra samme sted og samme periode, men over flere år. En erfaring vi gjorde her, er å sjekke opp og teste bruken av API-en så tidlig som mulig. Noe vi ikke gjorde, vi har likevel jobbet for å kunne gjøre mest mulig med dataen vi hadde til rådighet. Noe vi syntes vi har fått til! Og kunnskapen har vi bygd opp, så nå kan vi prøve igjen senere, med en ny API.
 
 For videre forskning kunne vi utviklet kodene våre til å gi brukeren valget om å velge byer utenfor Norge. Vi har i dette prosjektet begrenset til Norge, så å ha muligheten til å sjekke byer i hele verden ville vært et bra og naturlig steg videre i forskningen. 
 
-Det vi mener er noen av de viktigste læringspunktene er at vi har fått blitt bedre kjent med biblioteker og fått god øving på å programmere og jobbe i gruppe. Med store datamengder av været kan man sammenligne værforhold i dag og mange år tilbake og se på forskjellene. Da kan man prøve å se det i miljøaspekt og det kunne også vært interessante forhold å se på videre. Våre værdata i sammenheng med miljø og klima utviklingen gjennom årene. Andre viktige læringspunkter vi har fått bedre forståelse for er iteratorer og list-comprehensions, enhetstesting, kunne håndtere data lagring, feil og filbehandlinger. 
+Noen av de viktigste læringspunktene vi har tilegnet gjennom dette prosjektet, er blant annet bedre kunnskap ved bruk av ulike biblioteker, fått god øving på å programmere og å jobbe i gruppe. Med store datamengder av været kan man sammenligne værforhold i dag og for flere steder, å se på forskjellene. Da kan man prøve å se det i miljøaspekt og det kunne også vært interessante forhold å se på videre. Andre viktige læringspunkter vi har fått bedre forståelse for er iteratorer og list-comprehensions, enhetstesting, kunne håndtere data lagring, feil og filbehandlinger. 
 
-Vi tror at å ha erfaringene vi har lært om Pythons generelt, VS-Code, Jupyter Notebooks vil komme godt med i arbeidslivet dersom man finner en jobb innenfor programmerings område. Samtidig som de grunnleggende programmeringsferdighetene vil komme godt med, vil det at vi har jobbet mye med statistikk og grafer gjøre at vi har en bedre forståelse av de områdene noe som man vil trenge videre i studie og i en eventuell jobb. Det at vi har jobbet i grupper har også en positiv påvirkning ved at vi lærer og samarbeidet og kommunisere med andre. 
+Vi tror at å ha erfaringene vi har lært om Pythons generelt, VS-Code, Jupyter Notebooks vil komme godt med i arbeidslivet, dersom man finner en jobb innenfor programmerings område. Samtidig vil også det at vi har jobbet mye med statistikk og grafer gjøre at vi har en bedre forståelse av de områdene, noe som man vil trenge videre i studie og i en eventuell jobb. Det at vi har jobbet i grupper har også en positiv påvirkning ved at vi lærer å samarbeide og kommunisere med andre. I tillegg så har det vært gøy å lage et virkelig prosjekt som man kan bruke!