Moses - Einführung in die ingenieursorientierte Datenanalyse

Zur Modulseite PDF generieren

Modul / Version
#50722 / #6

Gültigkeit
SoSe 2024 - WiSe 2024/25

Verfügbare Sprache(n)
Deutsch

Titel des Moduls
Introduction to Engineering Data Analytics
Einführung in die ingenieursorientierte Datenanalyse

Leistungspunkte
6

Modulverantwortliche*r
Jochem, Roland

Benotung
Benotet

Prüfungsform
Portfolioprüfung

Lehrsprache(n)
Deutsch

Zugehörigkeit

Fakultät
Fakultät V

Institut
Institut für Werkzeugmaschinen und Fabrikbetrieb

Fachgebiet
35361300 FG Qualitätswissenschaft

Prüfungsausschuss
Maschinenbau

Kontakt

Sekretariat
PTZ 3

Ansprechpartner*in
Müller-Stein, Lennart Frederik

E-Mail-Adresse
l.mueller-stein@tu-berlin.de

Webseite

https://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen/ida-introduction-to-engineering-data-analytics-with-r

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SoSe 2024 - WiSe 2024/25. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

Lernergebnisse

Teilnehmende sind nach Abschluss des Kurses in der Lage selbständig Datenanalysen anhand der Programmiersprachen R (Wintersemester) und Python (Sommersemester) unter Anwendung von statistischen Methoden durchzuführen, die Ergebnisse zu interpretieren und zu dokumentieren. Des Weiteren sind die Studierenden in der Lage, erarbeitete Projektergebnisse aufzubereiten und unter praxisnahen Bedingungen zu präsentieren und zu verteidigen.

Lehrinhalte

Im Rahmen des Kurses werden neben grundlegenden Kenntnissen in den Programmiersprache R und Python in der interaktiven Entwicklungsumgebung RStudio für R und Jupyter Notebooks für Python auch statistische Grundlagen der explorativen Datenanalyse, der Zufallsvariablen und deren Modellierung durch Verteilungsfunktionen vermittelt. Vorlesungsinhalte werden in den wöchentlich zu bearbeitenden Online-Kursen vertieft. Im Anschluss an die Vorlesungen und Übungen bearbeiten die Studenten in Gruppen eine realitätsnahe Problemstellung unter Zuhilfenahme der erlernten Kenntnisse und stellen die Ergebnisse im Rahmen eines Abschlussberichts vor.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Introduction to Engineering Data Analytics with R	VL	3536 L 329	WiSe/SoSe	de	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Introduction to Engineering Data Analytics with R (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
			30.0h(~1 LP)

Lehrveranstaltungsunabhängiger Aufwand:

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Bearbeitung der Case-Study	1.0	40.0h	40.0h
Bearbeitung der Online-Kurse	15.0	5.0h	75.0h
Vor- und Nachbereitung	15.0	2.0h	30.0h
			145.0h(~5 LP)

Der Aufwand des Moduls summiert sich zu 175.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus einer wöchentlichen Vorlesung und interaktiven E-Learning Tutorien, in denen die Modulinhalte vertieft werden. Die Themen behandeln alle wichtigen Gebiete der Datenanalyse. Der dem Modul zugrunde gelegte Datenanalyseprozess lässt sich wie folgt aufgliedern: Beschreibung der Kursinhalte im Wintersemester: 1. VL: Einführung Data Science, R, RStudio und RMarkdown 2. VL: Aufbau des Datenanalyseprozesses und Datenimport 3. VL: Datenimport aus Datenbanken und dem Web 4. VL: Datenaufbereitung mit tidyr 5. VL: Datentransformation mit dplyr 6. VL: Datenzusammenführung mit dplyr 7. VL: Programmieren in R 8. VL: Datenvisualisierung mit ggplot2 9. VL: Datenvisualisierung mit Plotly 10. VL: Einführung in Shiny 11. VL: Shiny Webapplikationen mit HTML, CSS, und Java Script 12. VL: Modellierung von Daten - Lineare Regression 13. VL: Modellierung von Daten - Einführung Machine Learning 14. VL: Vorbereitung und Ausgabe der Case Study Beschreibung der Kursinhalte im Sommersemester: 1. VL: Introduction to Quality Data & Engineering in Python 2. VL: Dealing Data with Pandas & NumPy 3. VL: Import from Databases 4. VL: Data Manipulation with Pandas 5. VL: Data Cleaning and Preparation 6. VL: Data Aggregation and GroupBy 7. VL: Visual Data Analysis 8. VL: Interactive Visualizations - Plotly 9. VL: Python for Data Analytics (OOP) 10. VL: Statistical Foundations for Analytics 11. VL: Classification and Clustering 12. VL: Web Applications - Dash 13. VL: Web Applications - Streamlit 14. VL: Preparation and Information about the Case Studies

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Grundlegende Kenntnisse in einer Statistiksoftware (R oder Python), sowie Basiskenntnisse Mathematik und Wahrscheinlichkeitsrechnung (jeweils Abiturwissen) sind wünschenswert, aber nicht zwingend erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Deutsch

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
Bearbeitung der Online-Kurse	10	flexibel	Abgabe
Bearbeitung und Dokumentation der Case Study	30	flexibel	Abgabe
Online-Prüfung	30	schriftlich	30-minütiger Test
Präsentation der Case Study	30	mündlich	10-minütiger Vortrag

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	95.0pt	90.0pt	85.0pt	80.0pt	75.0pt	70.0pt	65.0pt	60.0pt	55.0pt	50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Prüfungsform für dieses Modul ist die Portfolioprüfung. Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden. E-Learning Online-Kurse - 40 von 100 Punkten Bearbeitung und Dokumentation der Case-Study - 60 von 100 Punkten

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Die Anmeldung für das gesamte Modul erfolgt über QISPOS. Ist eine QISPOS-Anmeldung nicht möglich, (Gründe: u. a. Diplom, Freies Wahlmodul, Zusatzmodul) muss eine fristgerechte Anmeldung über das Prüfungsamt erfolgen.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Grolemund, G.; Wickham, H. (2017): R for Data Science - Import, tidy, transform, visualize and model data. Online verfügbar unter: http://r4ds.had.co.nz/
Wollschläger, D. (2012): Grundlagen der Datenanalyse mit R - eine anwendungsorientierte Einführung. 2. Aufl. Heidelberg: Springer.

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe