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.

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

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.

Making Predictions

Predicting whether a new customer will churn

Training another scikit-learn model

Evaluating Model Performance

Creating training and test sets

Check each sets length

Computing accuracy

Model Metrics

Confusion matrix

Varying training set size

Computing precision and recall

Other model metrics

ROC curve

Area under the curve

Precision-recall curve

F1 score

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

Gereksiz özellikleri kaldırma

Pazarlama Analitiği: Python ile Müşteri Terkini Tahmin Etme

Uygulamalı interaktif egzersiz