diff --git a/courses/info.yml b/courses/info.yml
index 980c586e0a..a1490c92a2 100644
--- a/courses/info.yml
+++ b/courses/info.yml
@@ -1,4 +1,3 @@
 order:
 - pyladies
 - mi-pyt
-- pydata
diff --git a/courses/pydata/info.yml b/courses/pydata/info.yml
deleted file mode 100644
index 55bc0934cf..0000000000
--- a/courses/pydata/info.yml
+++ /dev/null
@@ -1,42 +0,0 @@
-title: Kurz datové analýzy
-description: Naučte se využít Python a nástroje pro něj napsané k datové analytice
-long_description: |
-
-    Materiály pro kurz datové analytiky v Pythonu tvořené ve spolupráci komunit
-    PyLadies a PyData. Materiály předpokládají znalost Pythonu na úrovni absolventů
-    začátečnického kurzu (PyLadies).
-
-canonical: true
-vars:
-  coach-present: false
-plan:
-- title: Instalace a práce s Jupyter notebookem
-  slug: install
-  materials:
-  - lesson: pydata/install
-  - lesson: pydata/notebook
-
-- title: Základy práce s tabulkovými daty
-  slug: pandas
-  materials:
-  - lesson: pydata/pandas
-
-- title: Explorační datová analýza a analýza jedné proměnné
-  slug: pandas
-  materials:
-  - lesson: pydata/univariate
-
-- title: EDA - Analýza více proměnných a vztahů
-  slug: pandas
-  materials:
-  - lesson: pydata/multivariate
-
-- title: EDA - Nulové hodnoty a odlehlá pozorování
-  slug: pandas
-  materials:
-  - lesson: pydata/null_and_outliers
-
-- title: EDA - Pandas profiling
-  slug: pandas_profiling
-  materials:
-  - lesson: pydata/profiling
diff --git a/lessons/pydata/eda-univariate-timeseries/index.ipynb b/lessons/pydata/eda-univariate-timeseries/index.ipynb
index 11415cfb99..d61643d676 100644
--- a/lessons/pydata/eda-univariate-timeseries/index.ipynb
+++ b/lessons/pydata/eda-univariate-timeseries/index.ipynb
@@ -83,9 +83,9 @@
     "\n",
     "Takto vypadají náhledy dvou listů ze souboru `P1PRUZ01.xls`, který obsahuje historická data z meteorologických měření v Praze - Ruzyni. Data jsou poměrně nepěkně uspořádána. Ani v Excelu by se s těmito soubory nepracovalo dobře ...\n",
     "\n",
-    "![thumb_geografie.png](static/thumb_geografie.png \"Sheet 1\")\n",
+    "![thumb_geografie.png](static/thumb_geografie.png)\n",
     "\n",
-    "![thumb_teplota.png](static/thumb_teplota.png \"Sheet 2\")"
+    "![thumb_teplota.png](static/thumb_teplota.png)"
    ]
   },
   {
@@ -3341,7 +3341,7 @@
     "* `mean` je střední hodnota, vypočítaná jako aritmetický průměr. \n",
     "* `std` je směrodatná odchylka, která ukazuje rozptyl dat - jak moc můžeme očekávat, že se data v souboru budou lišit od střední hodnoty.\n",
     "* `min` a `max` jsou nejmenší a největší hodnoty ve sloupci.\n",
-    "* Procenta označují kvantily, `25%` a `75%` je hodnota prvního a třetího \"kvartilu\". Pokud bychom sloupec seřadili podle podle velikosti, bude čtvrtina dat menší než hodnota prvního kvartilu a čtvrtina dat bude větší než hodnota třetího kvartilu. Konkrétně čtvrtina všech dní v našich datech měla minimální teplotu menší než 2.7 °C a čtvrtina dní zase měla maximální teplotu větší než 20.5 °C. \n",
+    "* Procenta označují kvantily, `25%` a `75%` je hodnota prvního a třetího \"kvartilu\". Pokud bychom sloupec seřadili podle podle velikosti, bude čtvrtina dat menší než hodnota prvního kvartilu a čtvrtina dat bude větší než hodnota třetího kvartilu. Konkrétně čtvrtina všech dní v našich datech měla minimální teplotu menší než -0.7 °C a čtvrtina dní zase měla maximální teplotu větší než 20.5 °C. \n",
     "* `50%` se označuje jako medián - polovina dat je menší než medián (a ta druhá polovina je samozřejmě zase větší než medián).\n",
     "\n",
     "Za chvilku si ještě ukážeme, jak tyto hodnoty souvisi s distribuční funkcí a vše ti bude hned jasnější :)"