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.

Giriş ve genel bakış

Kategorik değişkenleri bulma

Kategorikleri gözlemlemek

Kategorik değişkenleri dönüştürme

Kategorileri kodlama

Dummy değişkenler oluşturma

Sahte değişken tuzağı

Betimsel istatistikler

Çalışan verilerinde korelasyonlar

İşten ayrılan çalışanların yüzdesi

Introduction to HR Analytics

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

Predicting employee turnover

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

Evaluating the 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

Choosing the best turnover prediction model

Employee turnover data

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.

Intermediate Python

Python ile çalışan verilerini işleyip karar ağaçlarıyla çalışan devrini analiz etmeyi öğrenin.

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

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

Çalışan verilerinde korelasyonlar

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

Uygulamalı interaktif egzersiz