Introduction to Engineering Data Analytics with R Module description #50722 / Version 1
- 6 CP
- Portfolio examination
- Graded
- Winter semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v8)
| Module / Version | #50722 / #1 |
|---|---|
| Validity | WS 2017/18 – WS 2018/19 |
| 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/ida-introduction-to-engineering-data-analytics-with-r |
Learning outcomes
Teilnehmende sind nach Abschluss des Kurses in der Lage selbständig Datenanalysen in der Programmiersprache R 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.
Content
Im Rahmen des Kurses werden neben grundlegenden Kenntnissen in der Programmiersprache R in der interaktiven Entwicklungsumgebung RStudio 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.
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Introduction to Engineering Data Analytics with R | Lecture | 3536 L 329 | Winter semester | [de] | 2 | WS 2026/27 (1) ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (1)
Introduction to Engineering Data Analytics with R (Lecture) 1
- Introduction to Engineering Data Analytics with R (Vorlesung) 1. Termingruppe 3536 L 329
Workload and credit points
Introduction to Engineering Data Analytics with R (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| 30 h | |||
Course-independent workload
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Bearbeitung der Case-Study | 1 | 40 h | 40 h |
| Bearbeitung der Online-Kurse | 15 | 5 h | 75 h |
| Vor- und Nachbereitung | 15 | 2 h | 30 h |
| 145 h | |||
The workload of the module adds up to 175 hours. The module therefore comprises 6 credit points.
Description of teaching and learning methods
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:
1. VL: Einführung in das Quality Engineering und Grundlagen der Datenanalyse
2. VL: R Installation und Einführung in die RStudio IDE
3. VL: Aufbau des Datenanalyseprozesses und Datenimport
4. VL: Datenimport aus Datenbanken und dem Web
5. VL: Datenaufbereitung mit tidyr
6. VL: Datentransformation mit dplyr
7. VL: Datenzusammenführung mit dplyr
8. VL: Programmieren in R
9. VL: Datenvisualisierung mit ggplot2
10. VL: Modellierung von Daten
11. VL: Modellierung von Daten mit Machine Learning-Algorithmen
12. VL: Datenvisualisierung und Reporting
13. VL: Einführung in Shiny und Aufbau interaktiver Webapplikationen mit Shiny
14. VL: Manipulation von Shiny Webapplikationen mit HTML, CSS, und Java Script
15. VL: Shiny-Dashboard und Ausgabe der Case Study
Die Themen behandeln alle wichtigen Gebiete der Datenanalyse. Der dem Modul zugrunde gelegte Datenanalyseprozess lässt sich wie folgt aufgliedern:
1. VL: Einführung in das Quality Engineering und Grundlagen der Datenanalyse
2. VL: R Installation und Einführung in die RStudio IDE
3. VL: Aufbau des Datenanalyseprozesses und Datenimport
4. VL: Datenimport aus Datenbanken und dem Web
5. VL: Datenaufbereitung mit tidyr
6. VL: Datentransformation mit dplyr
7. VL: Datenzusammenführung mit dplyr
8. VL: Programmieren in R
9. VL: Datenvisualisierung mit ggplot2
10. VL: Modellierung von Daten
11. VL: Modellierung von Daten mit Machine Learning-Algorithmen
12. VL: Datenvisualisierung und Reporting
13. VL: Einführung in Shiny und Aufbau interaktiver Webapplikationen mit Shiny
14. VL: Manipulation von Shiny Webapplikationen mit HTML, CSS, und Java Script
15. VL: Shiny-Dashboard und Ausgabe der Case Study
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Grundlegende Kenntnisse in einer Statistiksoftware (R oder Python), sowie Basiskenntnisse Mathematik und Wahrscheinlichkeitsrechnung (jeweils Abiturwissen) sind wünschenswert, aber nicht zwingend erforderlich.
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 | 40 | flexibel | Abgabe |
| Bearbeitung und Dokumentation der Case Study | 60 | flexibel | Abgabe |
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 - 40 von 100 Punkten
Bearbeitung und Dokumentation der Case-Study - 60 von 100 Punkten
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
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: Winter semester.
Maximum number of participants
This module is not limited to a number of students.
Registration procedures
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.
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
unavailable – Download über ISIS
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/
- 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.
Miscellaneous
Not specified