Neste capítulo, você vai conhecer os problemas abordados por HR Analytics e explorar um conjunto de dados de RH que será analisado adiante. Você vai descrever e visualizar algumas das variáveis-chave e transformar e manipular o conjunto de dados para deixá-lo pronto para análise.

Introdução e visão geral

Identificando variáveis categóricas

Observando variáveis categóricas

Transformando variáveis categóricas

Codificando categorias

Criando dummies

Armadilha das dummies

Estatísticas descritivas

Correlação nos dados de funcionários

Porcentagem de funcionários que saíram (churn)

Introdução à HR Analytics

Este capítulo apresenta uma das técnicas de classificação mais populares: a Árvore de Decisão. Você vai usá-la para desenvolver um algoritmo que prevê a rotatividade de funcionários.

Dividindo os dados

Separando target e features

Dividindo os dados de funcionários

Introdução à classificação com Decision Tree

Calculando o índice de Gini

Dividindo a árvore

Prevendo rotatividade de funcionários com árvores de decisão

Ajustando a árvore aos dados de funcionários

Verificando a acurácia da previsão

Interpretação da árvore de decisão

Exportando a árvore

Interpretação dos resultados

Prevendo a rotatividade de funcionários

Aqui, você vai aprender a avaliar um modelo e entender quão “bom” ele é. Você vai comparar diferentes árvores para escolher a melhor entre elas.

Ajustando o classificador de rotatividade de funcionários

Podando a árvore

Limitando o tamanho da amostra

Avaliando o modelo

Interpretando métricas de acurácia

Calculando métricas de acurácia: precisão

Calculando métricas de acurácia: recall

Direcionando tanto quem sai quanto quem fica

Calculando o score ROC/AUC

Desbalanceamento de classes

Balanceando classes

Comparação de modelos de desligamento de funcionários

Avaliando o modelo de previsão de rotatividade

Neste capítulo final, você vai aprender a usar validação cruzada para evitar overfitting nos dados de treino. Você também vai aprender a identificar quais variáveis têm impacto e quais são desprezíveis. Por fim, você vai aplicar essas habilidades recém-adquiridas para construir uma Árvore de Decisão com melhor desempenho!

Ajuste de hiperparâmetros

Validação cruzada usando sklearn

Configurando parâmetros do GridSearch

Implementando o GridSearch

Recursos importantes para prever desligamento

Interpretando importâncias

Ordenando as variáveis mais importantes

Selecionando features importantes

Desenvolver e testar o melhor modelo

Considerações finais

Escolhendo o melhor modelo de previsão de rotatividade

Employee turnover data

Entre todas as áreas de negócios, RH ainda é a menos impactada por mudanças. No entanto, os avanços recentes em ferramentas e tecnologias de coleta e análise de dados permitem a tomada de decisões orientadas por dados em todas as frentes, incluindo RH. Este curso vai fornecer uma base sólida para trabalhar com dados de funcionários e desenvolver um modelo preditivo para analisar a rotatividade de funcionários.

Intermediate Python

Aprenda a usar Python para processar dados de funcionários e desenvolver um modelo preditivo.

HR Analytics: prevendo rotatividade de funcionários em Python

Neste curso, você vai aprender a usar machine learning na área de RH.

Interpretação dos resultados

HR Analytics: prevendo rotatividade de funcionários em Python

exercicio interativo prático