Ana içeriğe atla

Kurs

İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme

Orta SeviyeBeceri Seviyesi

Güncel 04.2026

Bu kursta, insan kaynakları alanında makine öğrenimini nasıl uygulayacağınızı öğreneceksiniz.

Kursa Ücretsiz Başlayın

PythonMachine Learning4 sa14 video44 Egzersiz3,500 XP8,868Başarı Belgesi

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

Binlerce şirketten öğrencinin sevgisini kazandı

2 veya daha fazla kişiyi mi eğitiyorsunuz?

DataCamp for Business ürününü deneyin

Kurs Açıklaması

İş alanları arasında en az dönüşümü yaşayan hâlâ İK. Ancak veri toplama ve analiz araçlarındaki son gelişmeler, İK dahil tüm boyutlarda veriye dayalı karar almayı mümkün kılıyor. Bu kurs, çalışan verileriyle çalışmak ve çalışan ayrılmasını (turnover) analiz etmek için bir tahmin modeli geliştirmek konusunda sağlam bir temel sağlayacak.

Önkoşullar

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

Bölümü Başlat

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

Bölümü Başlat

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

Bölümü Başlat

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

Bölümü Başlat

İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi Kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme eğitimine başlayın!

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.