Einführung in die ingenieursorientierte Datenanalyse mit RModulbeschreibung #50722 / Version 5
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v8)
| Modul / Version | #50722 / #5 |
|---|---|
| Gültigkeit | WiSe 2023/24 – WiSe 2023/24 |
| 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/ida-introduction-to-engineering-data-analytics-with-r |
Lernergebnisse
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.
Lehrinhalte
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.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Introduction to Engineering Data Analytics with R | Vorlesung | 3536 L 329 | Winter- und Sommersemester | [de] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Introduction to Engineering Data Analytics with R (Vorlesung) 1
- Introduction to Engineering Data Analytics with R (Vorlesung) 1. Termingruppe 3536 L 329
Arbeitsaufwand und Leistungspunkte
Introduction to Engineering Data Analytics with R (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| 30 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| 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 | |||
Der Aufwand des Moduls summiert sich zu 175 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
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 Data Science, R, RStudio und RMarkdown
2. VL: Aufbau des Datenanalyseprozesses und Datenimport
3. VL: Datenimport aus Datenbanken und dem Web
4. VL: Datenaufbereitung mit tidyr
5. VL: Datentransformation mit dplyr
6. VL: Datenzusammenführung mit dplyr
7. VL: Programmieren in R
8. VL: Datenvisualisierung mit ggplot2
9. VL: Datenvisualisierung mit Plotly
10. VL: Einführung in Shiny
11. VL: Shiny Webapplikationen mit HTML, CSS, und Java Script
12. VL: Shiny für Fortgeschrittene
13. VL: Modellierung von Daten - Lineare Regression
14. VL: Modellierung von Daten - Einführung Machine Learning
15. VL: Vorbereitung 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 Data Science, R, RStudio und RMarkdown
2. VL: Aufbau des Datenanalyseprozesses und Datenimport
3. VL: Datenimport aus Datenbanken und dem Web
4. VL: Datenaufbereitung mit tidyr
5. VL: Datentransformation mit dplyr
6. VL: Datenzusammenführung mit dplyr
7. VL: Programmieren in R
8. VL: Datenvisualisierung mit ggplot2
9. VL: Datenvisualisierung mit Plotly
10. VL: Einführung in Shiny
11. VL: Shiny Webapplikationen mit HTML, CSS, und Java Script
12. VL: Shiny für Fortgeschrittene
13. VL: Modellierung von Daten - Lineare Regression
14. VL: Modellierung von Daten - Einführung Machine Learning
15. VL: Vorbereitung und Ausgabe der Case Study
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Grundlegende Kenntnisse in einer Statistiksoftware (R oder Python), sowie Basiskenntnisse Mathematik und Wahrscheinlichkeitsrechnung (jeweils Abiturwissen) sind wünschenswert, aber nicht zwingend erforderlich.
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 | Abgabe |
| Bearbeitung und Dokumentation der Case Study | 30 | flexibel | Abgabe |
| Online-Prüfung | 30 | schriftlich | 30-minütiger Test |
| Präsentation der Case Study | 30 | mündlich | 10-minütiger Vortrag |
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 - 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
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
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.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
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/
- 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 |
|---|---|---|
| Maschinenbau StuPO 2017 | WiSe 2023/24 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| Maschinenbau StuPO 2017 | WiSe 2023/24 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2023/24 | Integrationsbereich › Integrationsbereich (Wahlpflicht) |
Sonstiges
Keine Angabe