feature: add exercise 2 solution

NSL/aufgaben/README.md

@@ -12,9 +12,9 @@
 │   └── data_stocks.tsv              # Übung 2 (Dateiname ggf. anpassen)
 ├── plots/                           # generierte PNGs (headless)
 ├── src/
-│   ├── uebung1_kmeans_fleet.py      # Übung 1: k-Means (Lösung, lauffähig)
-│   ├── uebung2_kprototypes_stocks.py # Übung 2: k-Prototypes (Codegerüst, TODOs)
-│   └── k_means2_elbow_measures.py   # Zusatz: Elbow & Gütemasse (synthetisch)
+│   ├── uebung1_kmeans_fleet.py      # Übung 1: k-Means
+│   ├── uebung2_kprototypes_stocks.py # Übung 2: k-Prototypes 
+│   └── k_means2_elbow_measures.py   # Zusatz: Elbow & Gütemasse
 ├── devenv.nix
 └── README.md
 ```
@@ -29,13 +29,6 @@ python src/uebung2_kprototypes_stocks.py
 python src/k_means2_elbow_measures.py
 ```
 
-Für Übung 2 wird das Paket **`kmodes`** benötigt (k-Prototypes ist nicht in scikit-learn).
-In `devenv.nix` zu den `venv.requirements` hinzufügen:
-
-```
-kmodes
-```
-
 Alle Skripte laufen **headless**: Plots werden als PNG nach `plots/` geschrieben (kein `plt.show()`, da in der Shell kein Display – Agg-Backend).
 
 ## Gütemasse zur Wahl von $k$ (gemeinsame Referenz)
@@ -82,8 +75,6 @@ Ablauf von `uebung1_kmeans_fleet.py` (PNGs in `plots/`):
 4. $k$ über Inertia/Elbow (`04`), erklärte Varianz (`05`), Silhouette (`06`)
 5. finales Modell mit bestem $k$ (`07_final.png`)
 
-Status: **fertige Lösung** (aus dem Notebook umgebaut, lauffähig).
-
 > Anpassungen ggü. Notebook: `.as_matrix()` → `.to_numpy()`; `plt.show()` → `savefig`; Hartigan als optionaler Legacy-Block (`RUN_HARTIGAN = False`).
 
 ---
@@ -121,8 +112,6 @@ Gerüst-Abschnitte in `uebung2_kprototypes_stocks.py` (mit TODO selbst füllen):
 4. finales Clustering fitten
 5. Interpretation: Cluster je Feature beschreiben, semantisch deuten
 
-Status: **Codegerüst** – Boilerplate (Imports/Pfade/Plots) gesetzt, Implementierung offen.
-
 ---
 
 ## Zusatz — Elbow-Methode & Gütemasse (synthetisch)