Einführung in die ingenieursorientierte DatenanalyseModulbeschreibung #50722 / Version 8
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch, Deutsch
| Modul / Version | #50722 / #8 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| 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 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:
| 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 |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Bearbeitung der Case-Study | 1 | 50 h | 50 h |
| Bearbeitung der Online-Kurse | 13 | 5 h | 65 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
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 | digital | 13 Online-Kurse |
| Bearbeitung und Dokumentation der Case Study | 60 | digital | App-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
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.
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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Biomedizinische Technik StuPO 2018 | WiSe 2026/27 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 | WiSe 2026/27 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | WiSe 2026/27 | 4. Profilbereich › 4.2 Profilbereich: Konstruktion und Fertigung › 4.2b Produktionstechnik |
| Erneuerbare Energien und Verfahrenstechnik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Data Science › Methodik |
| Maschinenbau StuPO 2017 | WiSe 2026/27 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| Maschinenbau StuPO 2017 | WiSe 2026/27 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| Naturwissenschaften in der Informationsgesellschaft StuPO 2018 | WiSe 2026/27 | Wahlpflichtbereich › Informatik › Grundlagenmodule |
| Naturwissenschaften in der Informationsgesellschaft StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Wahlpflichtbereich Informatik › Grundlagenmodule Informatik |
| Physikalische Ingenieurwissenschaft StuPO 2020 | WiSe 2026/27 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| Physikalische Ingenieurwissenschaft StuPO 2020 | WiSe 2026/27 | Wahlpflichtmodule › 4. Grundlagen Wahlpflicht › 4.5 Allgemeine Grundlagen |
| Produktionstechnik StuPO 2018 (09.05.2018) | WiSe 2026/27 | 3. Informationstechnik |
| Regenerative Energiesysteme StuPO 2023 | WiSe 2026/27 | Wahlpflichtmodule › Computational Methods |
| Verkehrswesen StuPO 2018 | WiSe 2026/27 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2026/27 | Integrationsbereich › Integrationsbereich (Wahlpflicht) |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2026/27 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Integrationsbereich › Statistics & Econometrics |
Sonstiges
Keine Angabe