Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Einführung in die ingenieursorientierte DatenanalyseModulbeschreibung #50722 / Version 8

← Zur Modulseite English version
Modul / Version#50722 / #8
GültigkeitSeit WiSe 2026/27
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rJochem, Roland
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch, 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 mithilfe der Programmiersprache R (Wintersemester) bzw. Python (Sommersemester) unter Anwendung statistischer Methoden durchzuführen, die Ergebnisse zu interpretieren und zu dokumentieren. Des Weiteren sind die Studierenden in der Lage, erarbeitete Projektergebnisse aufzubereiten und nachvollziehbar darzustellen.

Lehrinhalte

Im Rahmen des Kurses werden neben grundlegenden Kenntnissen der Programmiersprachen R bzw. Python auch der Umgang mit den interaktiven Entwicklungsumgebungen RStudio für R und Jupyter Notebooks für Python vermittelt. Darüber hinaus erwerben die Studierenden statistische Grundlagen der explorativen Datenanalyse sowie Kenntnisse zu Zufallsvariablen und deren Modellierung mithilfe von Verteilungsfunktionen. Die Vorlesungsinhalte werden durch wöchentlich zu bearbeitende Online-Kurse vertieft. Im Anschluss an die Vorlesungen und Übungen bearbeiten die Studierenden in Gruppen eine realitätsnahe Problemstellung unter Anwendung der erlernten Methoden und stellen ihre Ergebnisse in einem Abschlussbericht dar.

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
Vor-/Nachbereitung152 h30 h
60 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Bearbeitung der Case-Study150 h50 h
Bearbeitung der Online-Kurse135 h65 h
115 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

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
SpracheEnglisch, Deutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Bearbeitung der Online-Kurse40digital13 Online-Kurse
Bearbeitung und Dokumentation der Case Study60digitalApp-Entwicklung und Aufgaben-Dokumentation

Prüfungsbeschreibung (Abschluss des Moduls)

Die Prüfungsform dieses Moduls ist die Portfolioprüfung. Dafür sind die unten aufgeführten Teilleistungen mit der jeweiligen Gewichtung zu absolvieren:

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 zum gesamten Modul erfolgt über MOSES.

Falls eine Anmeldung über MOSES nicht möglich ist, zum Beispiel bei Diplomstudiengängen, muss die Anmeldung fristgerecht 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, 4. Auflage. Berlin, Heidelberg: Springer Spektrum Berlin Heidelberg, 2026. doi: 10.1007/978-3-662-71786-8
  • 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 / StuPOSemesterStudiengangsbereich
Biomedizinische Technik
StuPO 2018
WiSe 2026/272. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018
WiSe 2026/275. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
WiSe 2026/274. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik
Erneuerbare Energien und Verfahrenstechnik
StuPO 2025
WiSe 2026/27Wahlpflichtbereich › Data Science › Methodik
Maschinenbau
StuPO 2017
WiSe 2026/27Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Maschinenbau
StuPO 2017
WiSe 2026/27Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Naturwissenschaften in der Informationsgesellschaft
StuPO 2018
WiSe 2026/27Wahlpflichtbereich › Informatik › Grundlagenmodule
Naturwissenschaften in der Informationsgesellschaft
StuPO 2025
WiSe 2026/27Wahlpflichtbereich › Wahlpflichtbereich Informatik › Grundlagenmodule Informatik
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2026/272.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2026/27Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen
Produktionstechnik
StuPO 2018 (09.05.2018)
WiSe 2026/273. Informationstechnik
Regenerative Energiesysteme
StuPO 2023
WiSe 2026/27Wahlpflichtmodule › Computational Methods
Verkehrswesen
StuPO 2018
WiSe 2026/27A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
Wirtschaftsingenieurwesen
StuPO 2015
WiSe 2026/27Integrationsbereich › Integrationsbereich (Wahlpflicht)
Wirtschaftsingenieurwesen
StuPO 2015
WiSe 2026/27Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Integrationsbereich › Statistics & Econometrics

Sonstiges

Keine Angabe