Przejdź do głównej treści

Strona główna Python

Kurs

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 04.2026

W tym kursie nauczysz się, jak stosować machine learning w obszarze HR.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

14 filmów

44 Ćwiczenia

3,500 XP

8,919

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Spośród wszystkich dziedzin biznesu HR wciąż pozostaje tą najmniej dotkniętą przez transformację cyfrową. Jednak najnowsze osiągnięcia w zakresie gromadzenia i analizy danych pozwalają na podejmowanie decyzji opartych na danych we wszystkich obszarach – w tym właśnie w HR. Ten kurs zapewni solidne podstawy pracy z danymi pracowniczymi oraz budowania modelu predykcyjnego do analizy rotacji pracowników.

Wymagania wstępne

Intermediate Python

1

Introduction to HR Analytics

In this chapter you will learn about the problems addressed by HR analytics, as well as will explore a sample HR dataset that will further be analyzed. You will describe and visualize some of the key variables, transform and manipulate the dataset to make it ready for analytics.

Introduction and overview

Finding categorical variables

Observing categoricals

Transforming categorical variables

Encoding categories

Getting dummies

Descriptive statistics

Correlations in the employee data

Percentage of employees who churn

Zacznij rozdział

2

Predicting employee turnover

This chapter introduces one of the most popular classification techniques: the Decision Tree. You will use it to develop an algorithm that predicts employee turnover.

Splitting the data

Separating Target and Features

Spliting employee data

Introduction to Decision Tree classification

Computing Gini index

Splitting the tree

Predicting employee churn using decision trees

Fitting the tree to employee data

Checking the accuracy of prediction

Interpretation of the decision tree

Exporting the tree

Interpretation of results

Zacznij rozdział

3

Evaluating the turnover prediction model

Here, you will learn how to evaluate a model and understand how "good" it is. You will compare different trees to choose the best among them.

Tuning employee turnover classifier

Pruning the tree

Limiting the sample size

Evaluating the model

Interpreting accuracy metrics

Calculating accuracy metrics: precision

Calculating accuracy metrics: recall

Targeting both leavers and stayers

Calculating the ROC/AUC score

Class imbalance

Balancing classes

Comparison of Employee attrition models

Zacznij rozdział

4

Choosing the best turnover prediction model

In this final chapter, you will learn how to use cross-validation to avoid overfitting the training data. You will also learn how to know which features are impactful, and which are negligible. Finally, you will use these newly acquired skills to build a better performing Decision Tree!

Hyperparameter tuning

Cross-validation using sklearn

Setting up GridSearch parameters

Implementing GridSearch

Important features for predicting attrition

Interpreting importance

Sorting important features

Selecting important features

Develop and test the best model

Final thoughts

Zacznij rozdział

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij HR Analytics: Przewidywanie rotacji pracowników w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.