Ga naar hoofdinhoud

Cursus

HR-analytics: verloop van medewerkers voorspellen in Python

GemiddeldVaardigheidsniveau

Bijgewerkt 04-2026

In deze cursus leer je hoe je machine learning kunt gebruiken in HR.

Start Cursus Kosteloos

PythonMachine Learning

4 u

14 videos

44 Opdrachten

3,500 XP

8,925

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Van alle bedrijfsdomeinen is HR nog het minst ontwricht. Met de nieuwste ontwikkelingen in tools en technologieën voor gegevensverzameling en -analyse kun je echter in alle onderdelen, dus ook in HR, datagedreven beslissingen nemen. Deze cursus geeft je een stevige basis om met werknemersgegevens te werken en een voorspellend model te ontwikkelen om personeelsverloop te analyseren.

Vereisten

Intermediate Python

1

Introductie tot HR-analytics

In dit hoofdstuk leer je welke vraagstukken met HR-analytics worden aangepakt en verken je een voorbeeldgegevensset over HR die je later verder gaat analyseren. Je beschrijft en visualiseert enkele kernvariabelen en transformeert en bewerkt de gegevensset zodat deze klaar is voor analyse.

Introductie en overzicht

Categorische variabelen vinden

Categorische variabelen bekijken

Categorische variabelen transformeren

Categorieën encoderen

Dummyvariabelen maken

Beschrijvende statistiek

Correlaties in de werknemersdata

Percentage medewerkers met churn

Hoofdstuk beginnen

2

Verloop van medewerkers voorspellen

Dit hoofdstuk introduceert een van de populairste classificatietechnieken: de Decision Tree. Je gebruikt deze om een algoritme te ontwikkelen dat het personeelsverloop voorspelt.

De gegevens splitsen

Target en features scheiden

Medewerkersdata splitsen

Introductie tot Decision Tree-classificatie

Gini-index berekenen

De boom splitsen

Medewerkersverloop voorspellen met beslissingsbomen

De boom afstemmen op werknemersdata

De nauwkeurigheid van je voorspelling controleren

Interpretatie van de beslisboom

De boom exporteren

Resultaten interpreteren

Hoofdstuk beginnen

3

Het model voor verloopvoorspelling evalueren

Hier leer je hoe je een model evalueert en begrijpt hoe ‘goed’ het is. Je vergelijkt verschillende bomen om de beste te kiezen.

De churn-classifier voor medewerkers finetunen

De boom snoeien

De steekproefgrootte beperken

Het model evalueren

Nauwkeurigheidsmaten interpreteren

Nauwkeurigheidsmaat berekenen: precision

Nauwkeurigheidsmaten berekenen: recall

Richten op zowel vertrekkers als blijvers

De ROC/AUC-score berekenen

Klassenonevenwicht

Klassen balanceren

Vergelijking van modellen voor personeelsverloop

Hoofdstuk beginnen

4

Het beste verloopvoorspellingsmodel kiezen

In dit laatste hoofdstuk leer je hoe je kruisvalidatie gebruikt om overfitting op de trainingsgegevens te voorkomen. Je leert ook welke features impact hebben en welke verwaarloosbaar zijn. Tot slot gebruik je deze nieuwe vaardigheden om een beter presterende Decision Tree te bouwen!

Hyperparametertuning

Cross-validation met sklearn

GridSearch-parameters instellen

GridSearch implementeren

Belangrijke features voor het voorspellen van verloop

Belang interpreteren

Belangrijkste features sorteren

Belangrijke features selecteren

Ontwikkel en test het beste model

Hoofdstuk beginnen

HR-analytics: verloop van medewerkers voorspellen in Python

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met HR-analytics: verloop van medewerkers voorspellen in Python!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.