Einführung in die ingenieursorientierte DatenanalyseModulbeschreibung #50722 / Version 7
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch, Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v8)
| Modul / Version | #50722 / #7 |
|---|---|
| Gültigkeit | SoSe 2025 – SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Jochem, Roland |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch, 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 mithilfe 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 der Programmiersprachen R und Python in den 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 Studierenden in Gruppen eine realitätsnahe Problemstellung unter Zuhilfenahme der erlernten Kenntnisse und stellen die Ergebnisse im Rahmen eines Abschlussberichts dar.
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:
Beschreibung der Kursinhalte im Wintersemester:
1. VL: Einführung in 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
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 in 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch, Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Bearbeitung der Online-Kurse | 40 | flexibel | Abgabe |
| Bearbeitung und Dokumentation der Case Study | 60 | flexibel | Abgabe |
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 MOSES.
Ist eine MOSES-Anmeldung nicht möglich, (Gründe: u. a. Diplom) muss eine fristgerechte Anmeldung über das Prüfungsamt erfolgen.
Ist eine MOSES-Anmeldung nicht möglich, (Gründe: u. a. Diplom) muss eine fristgerechte Anmeldung über das Prüfungsamt erfolgen.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- D. Wollschläger, Grundlagen der Datenanalyse mit R: Eine anwendungsorientierte Einführung. Berlin, Heidelberg: Springer Berlin Heidelberg, 2020. doi: 10.1007/978-3-662-61736-6.
- H. Wickham, M. Çetinkaya-Rundel, und G. Grolemund, R for data science: import, tidy, transform, visualize, and model data, 2nd edition. Beijing Boston Farnham Sebastopol Tokyo: O’Reilly, 2023. Online verfügbar unter: https://r4ds.hadley.nz/
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 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik |
| WiSe 2025/26 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| SoSe 2026 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| 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 | |
| Erneuerbare Energien und Verfahrenstechnik StuPO 2025 | WiSe 2025/26 | Wahlpflichtbereich › Data Science › Methodik |
| SoSe 2026 | Wahlpflichtbereich › Data Science › Methodik | |
| Maschinenbau StuPO 2017 | 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 | SoSe 2025 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| WiSe 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| SoSe 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Naturwissenschaften in der Informationsgesellschaft StuPO 2018 | SoSe 2025 | Wahlpflichtbereich › Informatik › Grundlagenmodule |
| WiSe 2025/26 | Wahlpflichtbereich › Informatik › Grundlagenmodule | |
| SoSe 2026 | Wahlpflichtbereich › Informatik › Grundlagenmodule | |
| Naturwissenschaften in der Informationsgesellschaft StuPO 2025 | WiSe 2025/26 | Wahlpflichtbereich › Wahlpflichtbereich Informatik › Grundlagenmodule Informatik |
| SoSe 2026 | Wahlpflichtbereich › Wahlpflichtbereich Informatik › Grundlagenmodule Informatik | |
| 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 2007 (19.12.2007) | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| 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 | |
| Regenerative Energiesysteme StuPO 2023 | SoSe 2025 | Wahlpflichtmodule › Computational Methods |
| WiSe 2025/26 | Wahlpflichtmodule › Computational Methods | |
| SoSe 2026 | Wahlpflichtmodule › Computational Methods | |
| Verkehrswesen StuPO 2018 | SoSe 2025 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen |
| WiSe 2025/26 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| SoSe 2026 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2025 | Integrationsbereich › Integrationsbereich (Wahlpflicht) |
| WiSe 2025/26 | Integrationsbereich › Integrationsbereich (Wahlpflicht) | |
| SoSe 2026 | Integrationsbereich › Integrationsbereich (Wahlpflicht) | |
| Wirtschaftsingenieurwesen StuPO 2015 | 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 |
Sonstiges
Keine Angabe