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.

Introduction and overview

Finding categorical variables

Observing categoricals

Transforming categorical variables

Encoding categories

Getting dummies

Dummy trap

Descriptive statistics

Correlations in the employee data

Percentage of employees who churn

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.

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

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.

Sonuçların yorumlanması

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

Uygulamalı interaktif egzersiz