Angewandte Datenanalyse im QualitätsingenieurwesenModulbeschreibung #50653 / Version 5
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v6)
| Modul / Version | #50653 / #5 |
|---|---|
| Gültigkeit | SS 2019 – SoSe 2026 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Jochem, Roland |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) |
| Fachgebiet | 35361300 FG Qualitätswissenschaft |
Kontakt
| Sekretariat | PTZ 3 |
|---|---|
| Ansprechpartner*in | Müller-Stein, Lennart Frederik |
| E-Mail-Adresse | l.mueller-stein@tu-berlin.de |
| Webseite | https://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.
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.
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:
Arbeitsaufwand und Leistungspunkte
Applied Data Science for Quality Engineering (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| 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 (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenszeit | 14 | 2 h | 28 h |
| Projektdurchführung und Präsentationsvorbereitung | 1 | 40 h | 40 h |
| Vor-/Nachbereitung | 14 | 2 h | 28 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
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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Bearbeitung der Online-Kurse | 10 | flexibel | 5 Hausaufgaben a 4 Stunden |
| Bearbeitung des Projektes | 30 | praktisch | 30 - 45 Minuten |
| Schriftliche Prüfung | 60 | schriftlich | 75 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 - 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)
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.
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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Biomedizinische Technik StuPO 2018 | SoSe 2025 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| WiSe 2025/26 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| SoSe 2026 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 | SoSe 2025 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik |
| WiSe 2025/26 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik | |
| SoSe 2026 | 6. Schwerpunkte › 6.3 Konstruktion und Fertigung › 6.3.2 Produktionstechnik | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik |
| WiSe 2025/26 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik | |
| SoSe 2026 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik | |
| Luft- und Raumfahrttechnik StuPO 2018 | SoSe 2025 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden |
| WiSe 2025/26 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden | |
| SoSe 2026 | 1. Ingenieurwissenschaftliche Methoden › 1.1 Allgemeine und vertiefende ingenieurwissenschaftliche Methoden | |
| Maschinenbau StuPO 2017 | WiSe 2023/24 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| SoSe 2024 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WiSe 2024/25 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| SoSe 2025 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WiSe 2025/26 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| SoSe 2026 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| Maschinenbau StuPO 2017 | WiSe 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| SoSe 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Physikalische Ingenieurwissenschaft StuPO 09.01.2012 | SoSe 2025 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule |
| WiSe 2025/26 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule | |
| SoSe 2026 | 04. Grundlagen Wahlpflicht › Wahlpflichtmodule | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen |
| WiSe 2025/26 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen | |
| SoSe 2026 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen | |
| Produktionstechnik StuPO 2018 (09.05.2018) | SoSe 2025 | 3. Informationstechnik |
| WiSe 2025/26 | 4. Profilmodule › 4.2 Automatisierungs- und Informationstechnik | |
| SoSe 2026 | 3. Informationstechnik | |
| Technomathematik StuPO 2014 | SoSe 2025 | Studienrichtungen › Technisches Gebiet - Maschinenbau › Naturwissenschaftliche Grundlagen |
| WiSe 2025/26 | Studienrichtungen › Technisches Gebiet - Verkehrswesen › Technisch-naturwissenschaftliche Grundlagen | |
| SoSe 2026 | Studienrichtungen › Technisches Gebiet - Maschinenbau › Naturwissenschaftliche Grundlagen | |
| Verkehrswesen StuPO 2018 | SoSe 2025 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen |
| WiSe 2025/26 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen | |
| SoSe 2026 | A. Grundlagen › 2. Wahlpflichtbereich › 2.2 Technisch-naturwissenschaftliche Grundlagen | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2020 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management |
| WiSe 2020/21 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2021 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2021/22 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2022 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2022/23 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2023 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2024 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2024/25 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2025 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2025/26 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2026 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
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.