1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Einführung in die ingenieursorientierte Datenanalyse

Zur Modulseite PDF generieren

#50722 / #7

Seit SoSe 2025

Deutsch, Englisch

Introduction to Engineering Data Analytics
Einführung in die ingenieursorientierte Datenanalyse

6

Jochem, Roland

Benotet

Portfolioprüfung

Deutsch, Englisch

Zugehörigkeit


Fakultät V

Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF)

35361300 FG Qualitätswissenschaft

Maschinenbau

Kontakt


PTZ 3

Müller-Stein, Lennart Frederik

l.mueller-stein@tu-berlin.de

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

Lernergebnisse

Teilnehmende sind nach Abschluss des Kurses in der Lage selbständig Datenanalysen mithilfe 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 der Programmiersprachen R und Python in den 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 Studierenden in Gruppen eine realitätsnahe Problemstellung unter Zuhilfenahme der erlernten Kenntnisse und stellen die Ergebnisse im Rahmen eines Abschlussberichts dar.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Introduction to Engineering Data Analytics with RVL3536 L 329WiSe/SoSede2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Introduction to Engineering Data Analytics with R (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
30.0h(~1 LP)

Lehrveranstaltungsunabhängiger Aufwand:

AufwandbeschreibungMultiplikatorStundenGesamt
Bearbeitung der Case-Study1.040.0h40.0h
Bearbeitung der Online-Kurse15.05.0h75.0h
Vor- und Nachbereitung15.02.0h30.0h
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 in 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, Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
Bearbeitung der Online-Kurse40flexibelAbgabe
Bearbeitung und Dokumentation der Case Study60flexibelAbgabe

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt95.0pt90.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt

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 MOSES. Ist eine MOSES-Anmeldung nicht möglich, (Gründe: u. a. Diplom) 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
D. Wollschläger, Grundlagen der Datenanalyse mit R: Eine anwendungsorientierte Einführung. Berlin, Heidelberg: Springer Berlin Heidelberg, 2020. doi: 10.1007/978-3-662-61736-6.
H. Wickham, M. Çetinkaya-Rundel, und G. Grolemund, R for data science: import, tidy, transform, visualize, and model data, 2nd edition. Beijing Boston Farnham Sebastopol Tokyo: O’Reilly, 2023. Online verfügbar unter: https://r4ds.hadley.nz/

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Biomedizinische Technik (M. Sc.)12SoSe 2025WiSe 2025/26
Computational Engineering Science (Informationstechnik im Maschinenwesen) (B. Sc.)12SoSe 2025WiSe 2025/26
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)12SoSe 2025WiSe 2025/26
Maschinenbau (B. Sc.)12SoSe 2025WiSe 2025/26
Maschinenbau (M. Sc.)12SoSe 2025WiSe 2025/26
Naturwissenschaften in der Informationsgesellschaft (B. Sc.)24SoSe 2025WiSe 2025/26
Physikalische Ingenieurwissenschaft (B. Sc.)24SoSe 2025WiSe 2025/26
Physikalische Ingenieurwissenschaft (M. Sc.)24SoSe 2025WiSe 2025/26
Produktionstechnik (M. Sc.)16SoSe 2025WiSe 2025/26
Regenerative Energiesysteme (M. Sc.)12SoSe 2025WiSe 2025/26
Verkehrswesen (B. Sc.)12SoSe 2025WiSe 2025/26
Wirtschaftsingenieurwesen (B. Sc.)12SoSe 2025WiSe 2025/26
Wirtschaftsingenieurwesen (M. Sc.)12SoSe 2025WiSe 2025/26

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe