E-Commerce Manager (m/w/d) mit Schwerpunkt Data Science und Zusatzqualifikation in Prompt Engineering

Nach Abschluss dieser Weiterbildung verfügen Sie über Kenntnisse in den Bereichen E-Commerce, Python, Prompt Engineering und Data Science. Sie lernen, wie Sie Web-Anwendungen mithilfe von Python entwickeln und große Datenmengen verarbeiten können. Durch das Framework TensorFlow sind Sie in der Lage, diese Daten zu visualisieren. Des Weiteren erwerben Sie Fähigkeiten zur Auswertung von Daten mithilfe von Machine Learning und können daraus Algorithmen ableiten. Mit Hilfe der Zusatzqualifikation in Prompt Engineering sind Sie in der Lage, den Entwicklungsprozess zu leiten und Führungsverantwortung zu übernehmen.

E-Commerce Grundlagen

• Historie und Status quo des E-Commerce
• Spezifisches Kaufverhalten und Zielgruppenanalyse
• Marktsegmentierung, Strategien, Kriterien und Analysen
• Kosten und Kennzahlen, Shopsysteme und Schnittstellen
• Benutzerfreundlichkeit, Absprungrate und die Durchführung von Kundenbefragungen

User Experience und Content Management

• Die Ausgestaltung der User Experience und des Contents
• Retourenmanagement: Verhindern von Retouren und Entwickeln von Zielen und Zielsystemen

Projektmanagement im E-Commerce

• Qualifikationsprojekt E-Commerce
• Einführung in das Projektmanagement
• Agile Standards
• Vorteile der agilen Arbeitsweise
• Hybrides Projektmanagement
• Projekt-Initialisierung
• Projekt-Definition
• Projekt-Steuerung
• Führungskompetenzen & Teambuilding

Data Science Grundlagen

• Datenstrukturen
• Objektorientiertes Modellieren
• Datenbanken
• Modellieren mit Kellern, Schlangen und Graphen
• Einführung in Pandas und Dataframes
• Datenreinigung
• Datenskalierung

Python und Data Analysis Tools

• Installation und Einrichtung von Python
• Python im interaktiven Modus
• Python-Skripte
• Standard-Datentypen
• XML und JSON
• Einführung in NumPy und Messdatenverarbeitung
• Grafische Benutzungsoberflächen mit tkinter

Machine Learning und Datenvisualisierung

• Einführung in Machine Learning
• Lineare Regression
• Multiple Regression
• Logistische Regression
• Datenvisualisierung
• Einführung in Unsupervised Machine Learning
• K-Means Clustering
• Einführung in Neuronale Netze
• Praxisarbeit: Programmierung Neuronales Netzwerk

ChatGPT und KI-Anwendungen

• Einführung in Prompt Engineering: Grundlagen und Überblick
• Nutzung von ChatGPT: Anwendungsmöglichkeiten und Potenziale
• Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung
• Anwendungsdesign für ChatGPT: Strukturierung von Benutzerschnittstellen
• Einführung in PyTorch
• Automatische Bilderkennung
• Hyperparameteroptimierung
• Transfer Learning