Büyük veri çağı olarak adlandırılan günümüz dünyasında, her sektördeki firmaların üretilen çok büyük miktarda veriyle uğraşması gerekmektedir. Bu tür verilerin iş kararları vermede kullanılabilmesi için işlenmesi, analiz edilmesi, yorumlanması gerekir. İşletmeler bu amaçla veri bilimcileri istihdam etmektedirler. Bu kişilerin işletmelere büyük maliyetleri bulunmaktadır. Bu nedenle işletmelerde veri bilimcisi olarak çalışan kişilerde iş değişikliği niyeti olan çalışanın tahmin edilmesi işletmeler açısından çok önemli bir konudur. Bu çalışmada; veri bilimcilerin iş değişikliği düşüncelerinin yapay sinir ağları ile tahmini yapılmıştır. Kullanılan veri seti üzerinde, sırasıyla, veri temizleme, lojistik regresyon tabanlı iterativimputer yöntemiyle eksik veri tamamlama, SMOTE algoritmasıyla veri dengeleme, standart scaler metodu ile veri normalizasyonu yapılmıştır. Daha sonra veri seti çok katmanlı algılayıcı algoritması ve derin sinir ağı modeliyle eğitilmiştir. Eğitilen modeller test edilip çok katmanlı algılayıcı algoritması ile %84,2, derin sinir ağı modeli ile %87,5 doğruluk değeri elde edilmiştir. Yapay sinir ağları modellerinin performansını karşılaştırabilmek amacıyla sıkça kullanılan Naive Bayes, Destek Vektör Makineleri, Karar Ağaçları, Rastgele Ormanlar, Ekstra Ağaçlar ile gradyan artırma modellerinden Gradient Boosting ve XGBoost algoritmaları ile analizler yapılmıştır. Bu testler sonucunda ise XGBoost algoritmasıyla %91,1 doğruluk değeri elde edilmiş ve performans metrikleri ortaya konmuştur.
In today's world, the era of big data, companies in every sector have to deal with huge amounts of data generated. Such data must be processed, analyzed, and interpreted to be used in making business decisions. Businesses employ data scientists for this purpose. These people have great costs to businesses. For this reason, it is a significant issue for businesses to predict the employee who intends to change jobs in people working as data scientists in enterprises. In this study; the job change thoughts of data scientists were predicted by artificial neural networks. Data cleaning, missing data completion with linear regression-based iterativelmputer method, data balancing with SMOTE (Synthetic Minority Oversampling Technique) algorithm, data normalization with standard scaler method were performed on the dataset used, respectively. The dataset was then trained with a multilayer perceptron algorithm and a deep neural network model. The trained models were tested and an accuracy of 84.2% was obtained with the multilayer perceptron algorithm and 87.5% with the deep neural network model. To compare the performance of artificial neural network models, analyses were performed with the frequently used Naive Bayes, Support Vector Machines, Decision Trees, Random Forests, Extra Trees, Gradient Boosting, and XGBoost algorithms. As a result of these tests, an accuracy of 91.1% was obtained with the XGBoost algorithm and performance metrics were presented.