Applied Data Science for Quality EngineeringModule description #50653 / Version 5
- 6 CP
- Portfolio examination
- Graded
- Summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v6)
| Module / Version | #50653 / #5 |
|---|---|
| Validity | SS 2019 – Summer semester 2026 |
| Available language(s) | German |
| Credit points | 6 |
| Person responsible for the module | Jochem, Roland |
| Grading | Graded |
| Exam format | Portfolio examination |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät V |
|---|---|
| Institute | Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) |
| Academic chair | 35361300 FG Qualitätswissenschaft |
Contact
| Office | PTZ 3 |
|---|---|
| Contact person | Müller-Stein, Lennart Frederik |
| E-mail address | l.mueller-stein@tu-berlin.de |
| Website | https://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.
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.
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:
Workload and credit points
Applied Data Science for Quality Engineering (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Einarbeitung in die Programmiersprache R | 1 | 15 h | 15 h |
| Präsenszeit | 17 | 2 h | 34 h |
| Vor-/Nachbearbeitung | 17 | 2 h | 34 h |
| 83 h | |||
Applied Data Science for Quality Engineering (Exercise)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenszeit | 14 | 2 h | 28 h |
| Projektdurchführung und Präsentationsvorbereitung | 1 | 40 h | 40 h |
| Vor-/Nachbereitung | 14 | 2 h | 28 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
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
| Grading | Graded |
|---|---|
| Exam format | Portfolio examination |
| Type of portfolio examination | 100 points in total |
| Language | German |
Test elements
| Name | Points/Weight | Category | Duration/Extent |
|---|---|---|---|
| Bearbeitung der Online-Kurse | 10 | flexibel | 5 Hausaufgaben a 4 Stunden |
| Bearbeitung des Projektes | 30 | practical | 30 - 45 Minuten |
| Written exam | 60 | written | 75 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 - 30 von 100 Punkten (zum Ende des Semesters)
- Schriftliche Prüfung - 60 von 100 Punkten (in der vorlesungsfreien Zeit)
Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden:
- E-Learning Online-Kurse - 10 von 100 Punkten (semesterbegleitend)
- Bearbeitung des Projektes - 30 von 100 Punkten (zum Ende des Semesters)
- Schriftliche Prüfung - 60 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.
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 version is used in the following programs:
| Program / program version | Semester(s) | Curriculum component |
|---|---|---|
| Aeronautics and Astronautics StuPO 2018 | SS 2025 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden |
| WS 2025/26 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden | |
| SS 2026 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden | |
| Biomedical Engineering StuPO 2018 | SS 2025 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| WS 2025/26 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| SS 2026 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 | SS 2025 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik |
| WS 2025/26 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik | |
| SS 2026 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SS 2025 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik |
| WS 2025/26 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik | |
| SS 2026 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik | |
| Engineering Science StuPO 09.01.2012 | SS 2025 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule |
| WS 2025/26 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule | |
| SS 2026 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule | |
| Engineering Science StuPO 2020 | SS 2025 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen |
| WS 2025/26 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen | |
| SS 2026 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen | |
| Industrial Engineering and Management Industrial Engineering and Management (M. Sc.) - StuPO 2015 | SS 2020 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management |
| WS 2020/21 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2021 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2021/22 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2022 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2022/23 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2023 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SS 2024 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WS 2024/25 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SS 2025 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WS 2025/26 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SS 2026 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| Mechanical Engineering StuPO 2017 | WS 2023/24 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| SS 2024 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WS 2024/25 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| SS 2025 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WS 2025/26 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| SS 2026 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| Mechanical Engineering StuPO 2017 | WS 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| SS 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Production Engineering StuPO 2018 (09.05.2018) | SS 2025 | 3. Informationstechnik |
| WS 2025/26 | 4. Profilmodule › 4.2 Automatisierungs- und Informationstechnik | |
| SS 2026 | 3. Informationstechnik | |
| Technomathematics Technomathematics (B. Sc.) - StuPO 2014 | SS 2025 | Studienrichtungen › Technisches Gebiet - Maschinenbau › Naturwissenschaftliche Grundlagen |
| WS 2025/26 | Studienrichtungen › Technisches Gebiet - Verkehrswesen › Technisch-naturwissenschaftliche Grundlagen | |
| SS 2026 | Studienrichtungen › Technisches Gebiet - Maschinenbau › Naturwissenschaftliche Grundlagen | |
| Transport Systems StuPO 2018 | SS 2025 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen |
| WS 2025/26 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen | |
| SS 2026 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen |
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.