Begin exploring the Telco Churn Dataset using pandas to compute summary statistics and Seaborn to create attractive visualizations.

Welcome to the course

Defining customer churn

Exploring customer churn

Grouping and summarizing data

Summary statistics for both classes

Churn by State

Exploring your data using visualizations

Exploring feature distributions

Customer service calls and churn

Exploratory Data Analysis

Having explored your data, it's now time to preprocess it and get it ready for machine learning. Learn the why, what, and how of preprocessing, including feature selection and feature engineering.

Data preprocessing

Identifying features to convert

Encoding binary features

One hot encoding

Feature scaling

Feature selection and engineering

Dropping unnecessary features

Engineering a new column

Preprocessing for Churn Modeling

With your data preprocessed and ready for machine learning, it's time to predict churn! Learn how to build supervised learning machine models in Python using scikit-learn.

Tahminler Yapma

Yeni bir müşterinin churn edip etmeyeceğini tahmin etme

Başka bir scikit-learn modelini eğitme

Model Performansını Değerlendirme

Eğitim ve test setleri oluşturma

Her kümenin uzunluğunu kontrol et

Doğruluk (accuracy) hesaplama

Model Ölçütleri

Karmaşıklık matrisi

Eğitim veri kümesi boyutunu değiştirmek

Kesinlik (precision) ve duyarlılık (recall) hesaplama

Diğer model metrikleri

ROC eğrisi

Eğri Altındaki Alan

Precision-recall eğrisi

F1 skoru

Churn Prediction

Learn how to improve the performance of your models using hyperparameter tuning and gain a better understanding of the drivers of customer churn that you can take back to the business.

Tuning your model

Tuning the number of features

Tuning other hyperparameters

Randomized search

Feature importances

Visualizing feature importances

Improving the plot

Interpreting feature importances

Adding new features

Does model performance improve?

Computing other metrics

Final thoughts

Model Tuning

Telco Churn Dataset

Terk (churn), bir müşterinin bir şirketle iş yapmayı bırakması ya da ilişkisini sonlandırmasıdır. Telekomdan kablolu TV’ye, SaaS’a kadar pek çok sektörde yaygın bir sorundur. Terk oranını tahmin edebilen şirketler, değerli müşterileri elde tutmak ve rekabette öne geçmek için proaktif adımlar atabilir. Bu kurs, kendi müşteri terk modellerini oluşturman için bir yol haritası sunacak. Verini nasıl keşfedip görselleştireceğini, modellemeye nasıl hazırlayacağını, Machine Learning kullanarak nasıl tahmin yapacağını ve paydaşlara aktarılabilir, aksiyon alınabilir içgörüleri nasıl ileteceğini öğreneceksin. Kursun sonunda, veri analizi için pandas kütüphanesini ve Machine Learning için scikit-learn kütüphanesini rahatça kullanıyor olacaksın.

Data Manipulation with pandas

Python ile müşteri kaybını analiz etmeyi ve tahmin modeli oluşturmayı öğrenin.

Pazarlama Analitiği: Python ile Müşteri Terkini Tahmin Etme

Python kullanarak müşteri kayıplarını analiz etmeyi ve bunları tahmin etmek için bir model oluşturmayı öğrenin.

Pazarlama Analitiği Python'da

Precision-recall eğrisi

Pazarlama Analitiği: Python ile Müşteri Terkini Tahmin Etme

Uygulamalı etkileşimli egzersiz