Telco Churn veri kümesini keşfetmeye, özet istatistikler için pandas’ı ve etkileyici görselleştirmeler oluşturmak için Seaborn’u kullanarak başla.

Kursa hoş geldin

Müşteri churn’unu tanımlama

Müşteri ayrılmasını keşfetme

Verileri gruplama ve özetleme

Her iki sınıf için özet istatistikler

Eyalete Göre Churn

Verilerini görselleştirerek keşfetme

Özellik dağılımlarını keşfetme

Müşteri hizmetleri aramaları ve churn

Keşifsel Veri Analizi

Verini keşfettiğine göre, şimdi onu ön işlemden geçirip Machine Learning’e hazır hale getirme zamanı. Özellik seçimi ve özellik mühendisliği de dahil olmak üzere ön işlemenin nedenini, ne olduğunu ve nasıl yapılacağını öğren.

Veri ön işleme

Dönüştürülecek özellikleri belirleme

İkili özellikleri kodlama

One hot encoding

Özellik ölçekleme

Özellik seçimi ve öz nitelik mühendisliği

Gereksiz özellikleri kaldırma

Yeni bir sütun türetme

Terk Modellemesi için Ön İşleme

Verin ön işlemden geçirildi ve Machine Learning’e hazır; şimdi terk tahmini yapma zamanı! scikit-learn kullanarak Python’da gözetimli öğrenme modelleri kurmayı öğren.

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

Terk Tahmini

Modellerinin performansını hiperparametre ayarlamasıyla nasıl geliştireceğini öğren ve işletmeye geri taşıyabileceğin müşteri terkinin itici güçlerini daha iyi anla.

Modelini ayarlama

Özellik sayısını ayarlama

Diğer hiperparametreleri ayarlama

Rastgele arama

Özellik önemleri

Özellik önemlerini görselleştirme

Grafiği iyileştirme

Özellik önemlerini yorumlama

Yeni özellikler ekleme

Modelin performansı iyileşiyor mu?

Diğer metrikleri hesaplamak

Son düşünceler

Model Ayarlama

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

Özellik önemlerini yorumlama

Pazarlama Analitiği: Python ile Müşteri Terkini Tahmin Etme

Uygulamalı etkileşimli egzersiz