transposed dataframe in loom_to_pandas, added docs, test for main-methods,...

transposed dataframe in loom_to_pandas, added docs, test for main-methods, requirements.txt, .gitignore

docs/source/Notizen.md

 # Big Data Praktikum Autoencoder 
 
 ## 0. Test Data Frame 
-    * auseinandersetzung mit loom-file 
+    * auseinandersetzung mit loom-file (loompy verwenden, loom Datei einlesen & pandas erstellen)
     * checken wie ein repräsentatives Pandas Data Frame aussehen kann 
     * eins zum testen erstellen. 
 ### 0.1 Datenformat
@@ -9,10 +9,10 @@
     * ever row is a gene which can be expressed or not.. 
 
 ## 1. Data-Access
-1. Get Data from API 
-2. get it into a "good" format 
-    -> what do we need ? 
-### 1.2. Loom-Files
+    1. Get Data from API 
+    2. get it into a "good" format 
+        -> what do we need ? 
+# 1.1. Loom-Files
     * Idee: Meta Data durch ID behalten, Daten ohne Metadaten nehmen & in Autoencoder reintun. 
     * Idee: Pandas Data Frames extrahieren für den Autoencoder. 
             also jeder Data Frame = 1 Input für Encoder.
@@ -148,5 +148,16 @@ enthält folgende Zeilenattribute (`ds.ra[:][:]`):
 
 
 ## 2. Auto Encoder 
+* reinlesen 
+* welche bibliotheken ? 
+* scientific computing resources, wie verwendet man die ? 
 
-## 3. Visualisation
\ No newline at end of file
+## 3. Visualisation
+Ziel: Visualisierung des Clusters 
+* latent space 
+* Idee: Autoencoder output, z.B. 50 Dimensionen 
+    * Darauf Dimensionsreduktions-Algorithmen anwenden 
+        * z.B. t-SNE und uMap  was macht Sinn, auf wie viele Dimensionen wollen wir runter ? Glaube auf 2
+        * Clusteranalyse dann auf 2-dimensionalem anwenden ? 
+        * welche.. kMeans z.B. ? 
+        * [Dokument zu Clusteralgorithmen](https://www.kde.cs.uni-kassel.de/wp-content/uploads/ws/LLWA03/fgml/final/Kirchner.pdf)
\ No newline at end of file