Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
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.
Ön Koşullar
Müfredat
Kurs planı
1
İK Analitiğine Giriş
Bu bölümde, İK analitiğinin ele aldığı problemleri öğrenecek ve ileride analiz edilecek örnek bir İK veri kümesini keşfedeceksin. Bazı temel değişkenleri betimleyip görselleştirecek, veri kümesini analize hazır hâle getirmek için dönüştürüp düzenleyeceksin.
- Giriş ve genel bakış50 XP
- Kategorik değişkenleri bulma100 XP
- Kategorikleri gözlemlemek100 XP
- Kategorik değişkenleri dönüştürme50 XP
- Kategorileri kodlama100 XP
- Dummy değişkenler oluşturma100 XP
- Sahte değişken tuzağı100 XP
- Betimsel istatistikler50 XP
- Çalışan verilerinde korelasyonlar50 XP
- İşten ayrılan çalışanların yüzdesi100 XP
2
Çalışan ayrılmasını tahmin etme
Bu bölüm, en popüler sınıflandırma tekniklerinden birini tanıtır: Karar Ağacı. Bunu, çalışan ayrılmasını tahmin eden bir algoritma geliştirmek için kullanacaksın.
3
Ayrılma tahmin modelini değerlendirme
Burada, bir modeli nasıl değerlendireceğini ve ne kadar "iyi" olduğunu nasıl anlayacağını öğreneceksin. En iyisini seçmek için farklı ağaçları karşılaştıracaksın.
4
En iyi ayrılma tahmin modelini seçme
Bu son bölümde, eğitim verisine aşırı uyumu (overfitting) önlemek için çapraz doğrulamayı nasıl kullanacağını öğreneceksin. Ayrıca hangi özelliklerin etkili, hangilerinin önemsiz olduğunu da göreceksin. Son olarak, bu yeni kazandığın becerileri kullanarak daha iyi performans gösteren bir Karar Ağacı oluşturacaksın!
İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme
Kurs
Tamamlandı
