Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Angewandte Datenanalyse im QualitätsingenieurwesenModulbeschreibung #50653 / Version 4

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#50653 / #4
GültigkeitSS 2018 – WS 2018/19
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rJochem, Roland
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Deutsch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Werkzeugmaschinen und Fabrikbetrieb (IWF)
Fachgebiet35361300 FG Qualitätswissenschaft

Kontakt

SekretariatPTZ 3
Ansprechpartner*inMüller-Stein, Lennart Frederik
E-Mail-Adressel.mueller-stein@tu-berlin.de
Webseitehttps://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen

Lernergebnisse

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.

Lehrinhalte

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.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Applied Data Science for Quality EngineeringIntegrierte Veranstaltung0536 L 318 Sommersemester[de]2 ISIS
Applied Data Science for Quality EngineeringÜbung Sommersemester[de]2 ISIS

Arbeitsaufwand und Leistungspunkte

Applied Data Science for Quality Engineering (Integrierte Veranstaltung)

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

Applied Data Science for Quality Engineering (Übung)

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

Der Aufwand des Moduls summiert sich zu 179 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

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

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

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

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheDeutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Bearbeitung der Online-Kurse10flexibel5 Hausaufgaben a 4 Stunden
Bearbeitung des Projektes20praktisch30 - 45 Minuten
Schriftliche Prüfung70schriftlich75 Minuten

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 - 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)

Dauer des Moduls

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

Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

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.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

verfügbar – www.isis.tu-berlin.de

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/
  • 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.

Zugeordnete Studiengänge

Dieses Modul findet in keinem Studiengang Verwendung.

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.

Sonstiges

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