Machine Learning for Telecom Customers Churn Prediction

4.4
étoiles
11 évaluations
Offert par
Coursera Project Network
Dans ce Projet Guidé, vous :

Understand the theory and intuition behind machine learning classifiers such as Logistic Regression, Support Vector Machines, and Random Forest.

Compare trained models by calculating AUC score and plot ROC curve

Train various classifier models using Scikit-Learn library

Clock2 hours
BeginnerDébutant
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsAnglais
LaptopOrdinateur de bureau uniquement

In this hands-on project, we will train several classification algorithms such as Logistic Regression, Support Vector Machine, K-Nearest Neighbors, and Random Forest Classifier to predict the churn rate of Telecommunication Customers. Machine learning help companies analyze customer churn rate based on several factors such as services subscribed by customers, tenure rate, and payment method. Predicting churn rate is crucial for these companies because the cost of retaining an existing customer is far less than acquiring a new one. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Les compétences que vous développerez

  • Artificial Intelligence (AI)
  • Machine Learning
  • Python Programming
  • classification
  • Computer Programming

Apprendrez étape par étape

Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :

  1. Understand the problem statement and business case

  2. Import libraries/datasets and perform Exploratory Data Analysis

  3. Perform Data Visualization

  4. Prepare the data before model training

  5. Train and Evaluate a Logistic Regression model

  6. Train and Evaluate a Support Vector Machine Model

  7. Train and Evaluate a Random Forest Classifier model

  8. Train and Evaluate a K-Nearest Neighbor model

  9. Train and Evaluate a Naive Bayes Classifier model

  10. Compare the trained models by calculating AUC score and plot ROC curve

Comment fonctionnent les Projets Guidés

Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.

Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé

Foire Aux Questions

Foire Aux Questions

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.