Skip to content
Technische Universität Berlin Deutsch
Course catalog and module transfer system

Applied Data Science for Quality EngineeringModule description #50653 / Version 4

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v6)
Module / Version#50653 / #4
ValiditySS 2018 – WS 2018/19
Available language(s)German
Credit points6
Person responsible for the moduleJochem, Roland
GradingGraded
Exam formatPortfolio examination
Language(s) of instructionGerman

Affiliation

FacultyFakultät V
InstituteInstitut für Werkzeugmaschinen und Fabrikbetrieb (IWF)
Academic chair35361300 FG Qualitätswissenschaft

Contact

OfficePTZ 3
Contact personMüller-Stein, Lennart Frederik
E-mail addressl.mueller-stein@tu-berlin.de
Websitehttps://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen

Learning outcomes

Die Teilnehmer des Moduls erhalten einen Gesamtüberblick über die Aufgaben- und Tätigkeitsbereiche eines Qualitätsingenieurs, der perspektivisch als Data Scientist im Engineering fungiert und neben den methodischen Fähigkeiten und Fertigkeiten der angewandten statistischen Qualitätssicherung auch über umfangreiche Kompetenzen im Umgang mit Data Science Lösungen verfügt.

Teilnehmende sind nach Abschluss des Kurses in der Lage, die erlernten Methoden in einem technischen Arbeitsumfeld anzuwenden und zu kommunizieren. Des Weiteren sind die Studierenden in der Lage, erarbeitete Projektergebnisse mithilfe der Programmiersprache R aufzubereiten und unter praxisnahen Bedingungen, durch den Aufbau einer ShinyApp, zu präsentieren und zu verteidigen.

Content

Im Rahmen des Kurses werden Methoden und Handlungskompetenzen eines künftigen Qualitätsingenieurs vermittelt.
Dazu zählen Kenntnisse über:
- die generellen Prinzipien der Datenanalyse und Problemlösung
- Wahrscheinlichkeitstheorie
- Deduktive Statistik
- Induktive Statstik
- die Anwendung von Data Science Methoden für das Quality Engineering
- die Programmiersprache R und die Ergebnisaufbereitung in einer Web-Applikation

Die fortlaufende Ausbildung in der Programmiersprache R knüpft an die vermittelten Grundlagen der Veranstaltung "Introduction to Engineering Data Analytics with R" an.
Die Vorlesungsinhalte werden durch wöchentlich stattfindende Tutorien und durch die Bearbeitung von Online-Kursen auf der Plattform DataCamp vertieft.

Im Anschluss an die Vorlesungen und Tutorien bearbeiten die Studierenden in Gruppen eine realitätsnahe Projektaufgabe unter
Zuhilfenahme der erlernten Kenntnisse und stellen die Ergebnisse im Rahmen einer Abschlusspräsentation vor.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Applied Data Science for Quality EngineeringIntegrated course0536 L 318 Summer semester[de]2 ISIS
Applied Data Science for Quality EngineeringExercise Summer semester[de]2 ISIS

Workload and credit points

Applied Data Science for Quality Engineering (Integrated course)

Workload descriptionMultiplierHoursTotal
Präsenszeit172 h34 h
Vor-/Nachbearbeitung172 h34 h
Einarbeitung in die Programmiersprache R115 h15 h
83 h

Applied Data Science for Quality Engineering (Exercise)

Workload descriptionMultiplierHoursTotal
Präsenszeit142 h28 h
Vor-/Nachbereitung142 h28 h
Projektdurchführung und Präsentationsvorbereitung140 h40 h
96 h

The workload of the module adds up to 179 hours. The module therefore comprises 6 credit points.

Description of teaching and learning methods

Das Modul besteht aus ein bis zwei wöchentlichen integrierten Veranstaltungen und wöchentlichen Übungen.
Die Themen behandeln alle wichtigen Gebiete des datenorientierten Qualitätsingeneurwesens.
Die Veranstaltungsstruktur lässt sich wie folgt aufgliedern:

Themenblock I: Die Prinzipien der angewandten Datenanalyse
1. VL: Grundlagen der Datenanalyse - der Datenanalyseprozess

Themenblock II: Einführung in die Wahrscheinlichkeitstheorie und Anwendung der deduktiven Statistik im Engineering
2. VL: Einführung in die Wahrscheinlichkeitsrechnung
3. VL: Zufallsgrößen und Zufallsvariablen
4. VL: Diskrete Verteilungsmodelle
5. VL: Stetige Verteilungsmodelle
6. VL: Zentraler Grenzwertsatz und Verteilungen von Stichprobengrößen
7. VL: Zufallsstreubereiche im Engineering - Überwachung und Regelung von Produktionsprozessen (SPC)
8. VL: Konstruktion von Stichprobenfunktionen

Themenblock III: Grundlagen und Anwendungen der inferentiellen Statistik im Engineering
9. VL: Bestimmung von Konfidenzintervallen
10. VL: Unsicherheit von Kennzahlen am Beispiel der Prozessfähigkeitsanalyse
11. VL: Statistische Testverfahren
12. VL: Parametrische und Nicht-parametrische Hypothesentests
13. VL: Untersuchung von Einflussgrößen - Varianzanalyse am Beispiel der Messmittelfähigkeitsanalyse

Themenblock IV: Explorative Statistik und prädiktive Modellierung
14. VL: Ermittlung und Überprüfung von Abhängigkeiten - Korrelations- und Regressionsanalyse
15. VL: Design of Experiments I - Bestimmung von Faktoreffekten
16. VL: Design of Experiments II - Ableitung von Modellstrukturen
17. VL: Felddatenanalyse - Weibullauswertung und Monte-Carlo-Simulation

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

- Teilnahme am Modul "Introduction to Engineering Data Analytics with R"

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatPortfolio examination
Type of portfolio examination100 points in total
LanguageGerman

Test elements

NamePoints/WeightCategoryDuration/Extent
Bearbeitung der Online-Kurse10flexibel5 Hausaufgaben a 4 Stunden
Bearbeitung des Projektes20practical30 - 45 Minuten
Written exam70written75 Minuten

Exam description

Die Prüfungsform für dieses Modul ist die Portfolioprüfung.
Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden:

- E-Learning Online-Kurse - 10 von 100 Punkten (semesterbegleitend)

- Bearbeitung des Projektes - 20 von 100 Punkten (zum Ende des Semesters)

- Schriftliche Prüfung - 70 von 100 Punkten (in der vorlesungsfreien Zeit)

Duration of the module

The following number of semesters is estimated for taking and completing the module: 1 semester(s).

This module can be started in the following semesters: Summer semester.

Maximum number of participants

This module is not limited to a number of students.

Registration procedures

Die Anmeldung für das gesamte Modul erfolgt innerhalb der ersten 6 Wochen über QISPOS.
Ist eine QISPOS-Anmeldung nicht möglich, (Gründe: u. a. Diplom, Freies Wahlmodul, Zusatzmodul) muss eine fristgerechte Anmeldung
über das Prüfungsamt erfolgen.

Recommended reading, lecture notes

Lecture notes

unavailable

Electronic lecture notes

available – www.isis.tu-berlin.de

Recommended literature

  • Grolemund, G.; Wickham, H. (2017): R for Data Science - Import, tidy, transform, visualize and model data. Online verfügbar unter: http://r4ds.had.co.nz/
  • Montgomery, D.; Runger, G. (2013): Applied Statistics and Probability for Engineers, John Wiley & Sons Inc; Auflage: 00006 (11. November 2013)
  • Wollschläger, D. (2012): Grundlagen der Datenanalyse mit R - eine anwendungsorientierte Einführung. 2. Aufl. Heidelberg: Springer.

Assigned programs

This module is not used in any program.

Das Modul bildet einen Grundbaustein für jedes Ingenieurstudium. Die datenorientierten Vorgehensweisen können insbesondere zum Lösen von Problemen in Forschung und Entwicklung, Beschaffung, Produktion, Vertrieb und Feldeinsatz genutzt werden. Die erlernten Methoden sind auf viele Problemstellungen und Anwendungsgebiete soziotechnischer und naturwissenschaftlicher Arbeitsumfelder übertragbar.

Miscellaneous

Dieses Modul ist die Neuauflage des Moduls "Datenanalyse und Problemlösung" und wird ab dem Sommersemester 2018 angeboten.