W tym rozdziale poznasz problemy, którymi zajmuje się HR Analytics, oraz przeanalizujesz przykładowy zbiór danych HR. Opiszesz i zwizualizujesz kluczowe zmienne, a następnie przekształcisz i przygotujesz zbiór danych do dalszej analizy.

Wprowadzenie i omówienie tematu

Znajdowanie zmiennych kategorycznych

Obserwowanie zmiennych kategorycznych

Przekształcanie zmiennych kategorycznych

Kodowanie kategorii

Tworzenie zmiennych dummy

Pułapka zmiennych zero-jedynkowych

Statystyki opisowe

Korelacje w danych pracowniczych

Odsetek pracowników, którzy odeszli z firmy

Wprowadzenie do HR Analytics

Ten rozdział wprowadza jedną z najpopularniejszych technik klasyfikacji: drzewo decyzyjne. Wykorzystasz je do stworzenia algorytmu przewidującego rotację pracowników.

Podział danych

Rozdzielanie zmiennej docelowej i cech

Podział danych pracowników

Wprowadzenie do klasyfikacji drzewem decyzyjnym

Obliczanie indeksu Giniego

Podział drzewa

Przewidywanie odejść pracowników za pomocą drzew decyzyjnych

Dopasowywanie drzewa do danych pracowniczych

Sprawdzanie dokładności predykcji

Interpretacja drzewa decyzyjnego

Eksportowanie drzewa

Interpretacja wyników

Przewidywanie rotacji pracowników

Tutaj nauczysz się oceniać model i sprawdzać, jak dobrze działa. Porównasz różne drzewa decyzyjne, aby wybrać najlepsze spośród nich.

Dostrajanie klasyfikatora rotacji pracowników

Przycinanie drzewa

Ograniczanie minimalnej liczby próbek w liściu

Ocena modelu

Interpretacja metryk dokładności

Obliczanie metryk dokładności: precyzja

Obliczanie metryk dokładności: recall

Skupiamy się na osobach odchodzących i pozostających

Obliczanie wskaźnika ROC/AUC

Niezrównoważone klasy

Równoważenie klas

Porównanie modeli przewidywania rotacji pracowników

Ocena modelu przewidywania rotacji

W tym ostatnim rozdziale nauczysz się stosować walidację krzyżową, aby uniknąć przeuczenia modelu na danych treningowych. Dowiesz się też, które cechy mają istotny wpływ na wyniki, a które można pominąć. Na koniec wykorzystasz zdobytą wiedzę, aby zbudować lepiej działające drzewo decyzyjne!

Dostrajanie hiperparametrów

Walidacja krzyżowa z użyciem sklearn

Konfigurowanie parametrów GridSearch

Implementacja GridSearch

Ważne cechy w przewidywaniu odejść pracowników

Interpretacja ważności cech

Sortowanie ważnych cech

Wybieranie istotnych cech

Zbuduj i przetestuj najlepszy model

Podsumowanie

Wybór najlepszego modelu przewidywania rotacji

Employee turnover data

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.

Intermediate Python

Naucz się używać Pythona do analizy danych pracowników i tworzenia modeli decyzyjnych.

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

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

Korelacje w danych pracowniczych

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

Interaktywne ćwiczenie praktyczne