İK için Uygulamalı Analitik ve Yapay Zeka Rehberi” eğitimi, insan kaynakları profesyonellerinin veri odaklı karar alma yetkinliklerini geliştirmeyi hedefleyen kapsamlı bir programdır. Katılımcılar, İK süreçlerinde kullanılan veri modellerinden temel istatistik ve indeks hesaplamalarına kadar geniş bir yelpazede uygulamalı bilgiler edinecek, Power BI ve Excel gibi araçlar ile kendi veri analizlerini gerçekleştirebileceklerdir. Eğitim, İK faaliyetlerine dair örnek metrikler, raporlama teknikleri ve self-service BI uygulamaları üzerinden katılımcılara pratik deneyim kazandırmayı amaçlamaktadır. Program ayrıca makine öğrenimi ve yapay zeka konularını, İK senaryolarına uygulanabilir şekilde ele alır. Katılımcılar, basit regresyon ve sınıflandırma örneklerinden sosyal ağ analizi ve zaman serisi tahminlemelerine kadar çeşitli uygulamalarla tanışacak, yapay zekanın iş süreçlerindeki potansiyelini ve sınırlamalarını deneyimleyerek öğrenebileceklerdir. Bu sayede, İK kararlarını daha doğru, hızlı ve stratejik bir şekilde alma becerisi kazanacak, veri odaklı bir İK yönetim kültürünü destekleyeceklerdir.
•Hatalı Analize Neden Olan İnsana has Kusurlar
•Karar Vericilerin Sıkışıp Kaldığı Mevcut Durum
•Veri Analitiği Tipleri
•Veri ve Metaveri
•Veri Kalitesi Ölçme ve Değerlendirme Boyutları
•İK'dan Beklenen Roller
•İK Faaliyetleri ve İlgili Metrikler
- •Planlama
- •Kadrolama
- •Ücretlendirme ve Ödüllendirme
- •Eğitim ve Geliştirme
- •Performans Yönetimi
- •İşyeri Güvenliği ve Risk Yönetimi
- •Çalışan İlişkileri
•İK Veri Kaynakları ve İK'da Tutulan Kayıtlar
•Dimensional Model Kavramları (Dim, Fact, SCD, RCD, Bridge vs.) ve BUS Matrix
•İK Süreçlerinde Kullanılan BUS Matrix Bileşenleri
•Hızlı, Esnek ve Güçlü Analizler için Doğru Veri Modeli Oluşturma Prensipleri
•İstatistiksel Çalışmalarda Temel Adımlar
•Birim-Gözlem, Değişken, Şık, Ölçme Düzeyleri (Ölçekler), listeler, Seriler vs.
•Merkezi Eğilim Ölçüleri (Means, Mod, Medyan, Quartiles vs.)
•Değişkenlik Ölçüleri (Varyans, Standard Deviation, Standart Error, Range vs.)
•Kurtosis ve Skewness
•Korelasyon Analizi
•İndeksler
•Basit İndeksler
•Bileşik İndeksler
•İndeks Ortalamaları Tekniği
•Ortalamalar İndeks Tekniği
•Laspeyres ve Paasche indeksleri
•Fisher (ideal) İndeksi
•Dağılım Eşitsizliği Ölçümü (Gini Katsayısı)
•Rapor Tüketici Beklentileri ve Raporlama İlkeleri
•Mükerrer Tasarım Hataları
•Etkili bir raporlama için gerekli olan özellikleri
•Görsel Hiyerarşi ve Estetik
•Renk Kullanımı ve Tasarım İlkeleri
•Hangi Veri Nasıl Sunulur?
•Grafik Türleri ve Anlamları
•Power BI ve Excel Power Pivot ile Veri Modelleme
•Excel Grafikleri ve Pivot Tablo Kullanımı
•Excel Data Analysis Aracı ile İleri Düzey Analizler
•Olasılık Temelleri ve Bayes Teoremi ile İK Tahminleri
•Populasyon, Örneklem, Normal Dağılım, Standart Normal Dağılım Nedir?
•Nokta ve Aralık Tahminlemesi
•Evren Ortalaması (??) Aralık Tahminlemesi
•Evren Oranı (??) Aralık Tahminlemesi
•Evren Ortalamaları Arasındaki Farkın (??,-??_2) Aralık Tahminlemesi
•Evren Oranı Arasındaki Farkın (??_1-??_??) Aralık Tahminlemesi
•Tek Evren Parametresiyle İlişkili Hipotez Testleri
•İki Evren Parametresiyle İlişkili Hipotez Testleri
•F Testi – Varyans Analizi (ANOVA)
•Ki-Kare Bağımsızlık Testi
•Makine Öğrenimi Temel Kavramları
•Makine Öğrenimi Yaşam Döngüsü
•ML Problem Tipleri
•Regression (Sayı Tahminleme) Problem Tipi
•Clustering (Kümeleme - Segmentasyon) Problem Tipi
•Classification (Sınıflandırma) Problem Tipi
•Recommendation (Öneri) Özelinde IK Senaryoları
•Temel Düzeyde Sosyal Ağ Analizi (SNA)
•Zaman Serileri ile IK için Forecasting
•ML Modellerini Değerlendirme Metrikleri
•Yapay Zeka Deneyimleri Üzerine Güncel Değerlendirmeler
•Generative AI, LLM ve SLM Nedir? (ChatGPT, Gemini, Mistral, Phi-3 vs.)
•İnsan + AI İş Birliği ile Ne Vaad Ediliyor?
•Dil Modelleri Nasıl Çalışır?
- •Eğitim Süreci (Pre-training & Fine-tuning)
- •Olasılıkçı Modelleme — Zeka mı, Tahmin mi?
- •Yanılma, Halüsinasyon, Güven Sorunları
•Potansiyelleri & Sınırlamaları Neler?
•Güncel Metin, Code, Görsel, Ses Modelleri ve Kullanıcı Deneyim Yöntemleri