Predict Employee Turnover with scikit-learn

4.4
звезд
Оценки: 243
от партнера
Coursera Project Network
7 633 уже зарегистрированы
В этом Проект с консультациями вы:

Apply decision trees and random forests with scikit-learn to classification problems

Interpret decision trees and random forest models using feature importances

Tune model hyperparamters to improve classification accuracy

Create interactive, GUI components in Jupyter notebooks using widgets

Clock2 hours
IntermediateУчащийся среднего уровня
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsАнглийский
LaptopТолько для ПК

Welcome to this project-based course on Predicting Employee Turnover with Decision Trees and Random Forests using scikit-learn. In this project, you will use Python and scikit-learn to grow decision trees and random forests, and apply them to an important business problem. Additionally, you will learn to interpret decision trees and random forest models using feature importance plots. Leverage Jupyter widgets to build interactive controls, you can change the parameters of the models on the fly with graphical controls, and see the results in real time! This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with Python, Jupyter, and scikit-learn pre-installed.

Навыки, которые вы получите

  • Decision Tree
  • Machine Learning
  • Random Forest
  • classification
  • Scikit-Learn

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Introduction and Importing Libraries

  2. Exploratory Data Analysis

  3. Encode Categorical Features

  4. Visualize Class Imbalance

  5. Create Training and Test Sets

  6. Build a Decision Tree Classifier with Interactive Controls

  7. Build a Decision Tree Classifier with Interactive Controls (Continued)

  8. Build a Random Forest Classifier with Interactive Controls

  9. Feature Importance and Evaluation Metrics

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Преподаватели

Рецензии

Лучшие отзывы о курсе PREDICT EMPLOYEE TURNOVER WITH SCIKIT-LEARN

Посмотреть все отзывы

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.