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 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

İK Analitiğine Giriş

Bu bölüm, en popüler sınıflandırma tekniklerinden birini tanıtır: Karar Ağacı. Bunu, çalışan ayrılmasını tahmin eden bir algoritma geliştirmek için kullanacaksın.

Veriyi bölmek

Hedef ve Özellikleri Ayırma

Çalışan verisini bölme

Decision Tree sınıflandırmasına giriş

Gini indeksini hesaplama

Ağacı bölme

Karar ağaçlarıyla çalışan ayrılmasını tahmin etme

Ağacı çalışan verilerine uydurma

Tahmin doğruluğunu kontrol etme

Karar ağacının yorumlanması

Ağacı dışa aktarma

Sonuçların yorumlanması

Çalışan ayrılmasını tahmin etme

Burada, bir modeli nasıl değerlendireceğini ve ne kadar "iyi" olduğunu nasıl anlayacağını öğreneceksin. En iyisini seçmek için farklı ağaçları karşılaştıracaksın.

Çalışan ayrılma sınıflandırıcısını ayarlama

Ağacı budama

Örneklem boyutunu sınırlama

Modeli değerlendirme

Doğruluk metriklerini yorumlama

Doğruluk ölçütlerini hesaplama: precision

Doğruluk ölçümleri: recall hesaplama

Ayrılacakları ve kalacakları birlikte hedeflemek

ROC/AUC skorunu hesaplama

Sınıf dengesizliği

Sınıfları dengeleme

Çalışan ayrılma (attrition) modellerinin karşılaştırılması

Ayrılma tahmin modelini değerlendirme

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!

Hiperparametre ayarlama

sklearn ile çapraz doğrulama

GridSearch parametrelerini ayarlama

GridSearch Uygulaması

İşten ayrılmayı tahmin etmek için önemli özellikler

Önemleri yorumlama

Önemli özellikleri sıralama

Önemli özelliklerin seçimi

En iyi modeli geliştir ve test et

Son düşünceler

En iyi ayrılma tahmin modelini seçme

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.

Sonuçların yorumlanması

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

Uygulamalı etkileşimli egzersiz