Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Einführung in die ingenieursorientierte DatenanalyseModulbeschreibung #50722 / Version 6

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v8)
Modul / Version#50722 / #6
GültigkeitSoSe 2024 – WiSe 2024/25
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/ida-introduction-to-engineering-data-analytics-with-r

Lernergebnisse

Teilnehmende sind nach Abschluss des Kurses in der Lage selbständig Datenanalysen anhand der Programmiersprachen R (Wintersemester) und Python (Sommersemester) 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 den Programmiersprache R und Python in der interaktiven Entwicklungsumgebung RStudio für R und Jupyter Notebooks für Python 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:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Introduction to Engineering Data Analytics with RVorlesung3536 L 329 Winter- und Sommersemester[de]2 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

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Introduction to Engineering Data Analytics with R (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
30 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Bearbeitung der Case-Study140 h40 h
Bearbeitung der Online-Kurse155 h75 h
Vor- und Nachbereitung152 h30 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:

Beschreibung der Kursinhalte im Wintersemester:
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: Modellierung von Daten - Lineare Regression
13. VL: Modellierung von Daten - Einführung Machine Learning
14. VL: Vorbereitung und Ausgabe der Case Study

Beschreibung der Kursinhalte im Sommersemester:
1. VL: Introduction to Quality Data & Engineering in Python
2. VL: Dealing Data with Pandas & NumPy
3. VL: Import from Databases
4. VL: Data Manipulation with Pandas
5. VL: Data Cleaning and Preparation
6. VL: Data Aggregation and GroupBy
7. VL: Visual Data Analysis
8. VL: Interactive Visualizations - Plotly
9. VL: Python for Data Analytics (OOP)
10. VL: Statistical Foundations for Analytics
11. VL: Classification and Clustering
12. VL: Web Applications - Dash
13. VL: Web Applications - Streamlit
14. VL: Preparation and Information about the Case Studies

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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheDeutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Bearbeitung der Online-Kurse10flexibelAbgabe
Bearbeitung und Dokumentation der Case Study30flexibelAbgabe
Online-Prüfung30schriftlich30-minütiger Test
Präsentation der Case Study30mündlich10-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

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.

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 / StuPOSemesterStudiengangsbereich
Maschinenbau
StuPO 2017
SoSe 2024Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
WiSe 2024/25Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Maschinenbau
StuPO 2017
SoSe 2024Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2024/25Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2024Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2024/25Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2024Integrationsbereich › Integrationsbereich (Wahlpflicht)
WiSe 2024/25Integrationsbereich › Integrationsbereich (Wahlpflicht)

Sonstiges

Keine Angabe