القدرة 01↗
التعويض التقديري—معاينة بيانات وهمية · قم بتدريب نموذج للإنتاج
التنبؤ بالراتب
تقدير الرواتب باستخدام ميزات الموظف والأنماط المتعلمة من بيانات التدريب المتاحة.
استكشف التنبؤ بالراتب ←
جاري تحميل مساحة العمل الخاصة بك...
رؤى الرواتب لاتخاذ قرارات حقيقية
انظر إلى ما وراء الأرقام.
استكشف كيف تجتمع الخبرة والتعليم والمهارات لتقديم تقدير مدروس للراتب.
مدخلات واضحة. سياق مفيد. قرارك أنت.
معاينة رؤى الرواتبجاهز للاستكشاف
ملفك الشخصي→أنماط الرواتب→تقديرك
إشارة الملف الشخصيz = xW + b
إشارة النمط∂L / ∂W
تقديرك—
جاهز عندما تكون مستعداً01 / تفاعل
مسيرتك المهنية. بياناتك. رؤية حول الراتب.
جرب سير عمل التقدير باستخدام ملفات تعريف عينة واحصل على رؤية واضحة ومحددة للراتب في ثوانٍ.
استوديو توقع الرواتب
بناء ملف تعريف الموظف
02 / القدرات
ذكاء يمكنك فهمه حقاً.
تجاوز مجرد التنبؤ. استكشف عملية التعلم.
القدرة 02↗
تصور الشبكة العصبية
استكشف كيف تنتقل المدخلات عبر الطبقات الخفية لإنشاء تنبؤ رقمي بالراتب.
استكشف الشبكة ←القدرة 03↗
INPUTŷLOSS
GRADIENT∂تحديث
الانتشار العكسي
افهم كيف تؤدي أخطاء التنبؤ إلى تحديث المعلمات أثناء تدريب الشبكة العصبية.
فهم عملية التعلم ←03 / المحرك
كل توقع له عملية تعلم.
استكشف الرياضيات الكامنة وراء النموذج. هذه الخريطة المرئية توضيحية؛ التدريب الفعلي يتم في مركز تدريب المتصفح.
تنتقل الميزات عبر طبقات موزونة لتصبح مخرجاً عددياً.
01Z = XW + b
المدخلات الموزونة بالإضافة إلى الانحياز تشكل ما قبل التنشيط.
02A = f(Z)
تقوم دالة التنشيط بتحويل الإشارة.
03L = (y − ŷ)²
يقيس الفقد الفجوة بين الواقع والتقدير.
04Wnew = Wold − η(∂L/∂W)
يدفع الانحدار المتدرج المعلمات نحو فقد أقل.
04 / التدفق
من ميزات الموظف إلى رؤى الرواتب.
تقديم المعلومات
الخبرة، والتعليم، والمسمى الوظيفي، والمهارات المدعومة.
تجهيز الميزات
حول إجاباتك إلى ملف تعريف واضح يمكن للتطبيق قراءته.
تشغيل الشبكة
يقوم التطبيق بمقارنة ملف تعريفك بأنماط الرواتب المتعلمة.
إنشاء التقدير
ستتلقى تقديراً بسيطاً للراتب.
استكشاف النتيجة
راجع التقدير والسياق الكامن وراءه.
05 / إشارات البيانات
افهم الأنماط الكامنة وراء الأجور.
استكشف الملفات التعريفية التجريبية التي تكمن وراء أنماط الرواتب. هذه إشارات مفيدة وليست ضمانات.
الخبرة / الراتب
الخبرة تلتقي بالتعويضات
نطاق الرواتب
نطاق الأمثلة المتاحة
ملفات تعريفية تجريبية جاهزة لمساعدتك في استكشاف أنماط الرواتب.
جرب الحصول على تقدير ←06 / لماذا هذا مهم
يجب أن يكون الذكاء الاصطناعي قابلاً للتفسير.
نهج واضح
تعرف على تفاصيل الملف الشخصي التي تشكل التقدير.
سياق مفيد
قارن نتيجتك مع ملفات تعريف العينات المتاحة.
تفسير مسؤول
تعتمد التقديرات على بيانات التدريب وليست تعويضات مضمونة.
تعلم · قياس · تفسير
07 / ابدأ من هنا
رؤيتك القادمة تبدأ من هنا.
استكشف العلاقة بين الخبرة والمهارات والتعويضات المقدرة من خلال الذكاء العصبي.
مساحة عمل متقدمة
مساحة العمل التقنية
توجد هنا أدوات التدريب والتقييم والبيانات والتعلم لتبقى تجربة الرواتب الأساسية بسيطة.
النموذج النشط
—
سجلات التدريب
—
الإصدار الحالي
—
التقديرات المحفوظة
—
الأدوات التقنية
اختر مساحة عمل متخصصة للخطوة التالية.
تدريب نموذج
اختر إعدادات التعلم، وابدأ التدريب، واحفظ نموذجاً جديداً.
فتح التدريب ←مراجعة الأداء
تحقق من مخططات التقييم وقارن النموذج النشط بنتائج اختباره.
فتح الأداء ←إدارة مجموعة البيانات
افحص السجلات، أو استورد ملف CSV، أو استعد مجموعة البيانات التجريبية.
فتح مجموعة البيانات ←استكشاف الشبكة
استخدم المختبر المرئي والمحاكي خطوة بخطوة لفهم تدفق التعلم.
فتح مختبر الشبكة ←وضوح لخطوتك القادمة
افهم الراتب. خطط بثقة.
استكشف تقديرات الرواتب المبنية على الخبرة، والتعليم، والمهارات، والملفات الشخصية النموذجية المتاحة.
نظرة مخصصة على الراتب·بُني بناءً على ملفك التعريفي
معاينة رؤى الراتب
الملف الشخصيأنماطتقدير
اكتشف الأنماط الكامنة وراء الرواتب
استكشف الملفات الشخصية النموذجية التي يستند إليها كل تقدير.
التقدير مقابل ملفات تعريف العينات
مقارنة بسيطة مع الأمثلة المتاحة
تقدم التقدير
متاح بعد حفظ التقدير
نطاق الراتب
الخبرة والراتب
ملفات تعريف العينات المتاحة · الأنماط ليست ضمانات
مساحة عمل الراتب الخاصة بك
عرض بسيط لرؤى ملفك الشخصي المحفوظة.
من ملفك الشخصي إلى تقدير
تقدير الراتب
أضف بعض التفاصيل لاستكشاف تقدير راتب مخصص.
ملفك الشخصي
تقديرك
ANNتبدأ الرؤية الأكثر وضوحاً من هنا.
أضف تفاصيلك واحصل على تقدير للراتب في لحظات.
الراتب التقديري
مقارنة بالملفات الشخصية المتاحة
هذا تقدير للاستكشاف وليس وعداً بالتعويض. قد لا تعكس الملفات الشخصية النموذجية كل مكان عمل أو سوق.
علّم شبكتك
مركز تدريب النموذج
تعلم حقيقي قائم على التدرج، مع احتساب كل حقبة تدريبية.
تكوين التدريب
محرك المتصفحالتعلم قيد التنفيذ
0 / 100 عدد العصور (Epochs)
مسار التعلم
- التحقق من السجلات وتجميد تقسيم الاختبار
- ملاءمة المعالجة المسبقة على سجلات التدريب فقط
- تمرير أمامي ← MSE ← انتشار عكسي
- تحديث الأوزان وتتبع خسارة التحقق
- تقييم بيانات الاختبار وحفظ ملف النموذج
الأدلة فوق الافتراضات
أداء النموذج
التقدير مقابل ملفات تعريف العينات
تقدم التقدير
فروق التقدير
ماذا تعني هذه الأرقام
- MAE
- متوسط الخطأ المطلق في التنبؤ، بوحدات الراتب السنوي. القيمة الأقل هي الأفضل.
- RMSE
- أيضاً بوحدات الراتب السنوي، مع عقوبة أقوى للأخطاء الكبيرة.
- R²
- الأداء بالنسبة إلى خط الأساس المتوسط. يمكن أن تكون القيمة سالبة؛ ولا تضمن العدالة أو الدقة الفردية.
إصدارات النموذج المحفوظة
أحدث نموذج نشطقارن فقط بين الصفوف التي لها نفس بصمة مجموعة البيانات وتقسيم الاختبار. يستخدم التدريب الحقبة النهائية، دون اختيار قائم على الاختبار.
| الإصدار | مجموعة البيانات / التقسيم | البنية | MAE | RMSE | R² | التاريخ |
|---|
لا توجد نماذج محفوظة بعد. قم بتدريب شبكتك الأولى لرؤية نتائج تقييم حقيقية.
اجعل غير المرئي مرئياً
مختبر الشبكة العصبية
تتبع الإشارة. تتبع التدرج. افهم كيف تتعلم الشبكة.
عرض تعليمي. رسوم الإشارات المتحركة توضيحية وليست تنشيطات حية للخلايا العصبية. يستخدم المحاكي الرقمي نموذجاً منفصلاً بوزن واحد.
بنية الشبكة
Z = XW + bA = f(Z)المخرج: ŷ = AW + b (خطي)
الانتشار العكسي، خطوة بخطوة
محاكي منفصلحساب قياسي حقيقي: x = 1, y = 2, ŷ = wx + b. يبدأ بـ w = 0.5, b = 0. هذا ليس نموذج الرواتب.
التعلم من الخطأ
L = (y − ŷ)²∂L/∂w = 2(ŷ − y)x∂L/∂b = 2(ŷ − y)w ← w − η ∂L/∂wb ← b − η ∂L/∂b
يقوم نموذج الرواتب بحساب متوسط مربعات الخطأ لكل دفعة: MSE = (1/n) Σ(yᵢ − ŷᵢ)². تتدفق التدرجات عبر الطبقات الخفية باستخدام قاعدة السلسلة.
اعرف ما يعرفه نموذجك
مستكشف مجموعة البيانات
سجلات الموظفين
| سنوات الخبرة | المستوى التعليمي | المسمى الوظيفي | درجة المهارة | القسم | الراتب السنوي |
|---|
لا توجد سجلات مطابقة.
مزيج التعليم
مزيج الأدوار
مزيج الأقسام
نطاق الخبرة
مخطط CSV والاستخدام المسؤول
الأعمدة المطلوبة: الخبرة، التعليم، الدور، المهارة، القسم، الراتب. من 60 إلى 5,000 صف؛ بحد أقصى 2 ميجابايت. الخبرة: 0-40، المهارة: 0-100، الراتب السنوي: 1,000-100,000,000. لا توجد حقول مفقودة. ما يصل إلى 30 فئة لكل ميزة فئوية. يتم استبعاد الأعمدة الإضافية.
استخدم فقط البيانات التي لديك إذن بمعالجتها. لا تدرج أسماءً أو سمات محمية. البيانات المستوردة غير متحقق منها؛ تظل الفئات ذات المعنى والتراخيص المناسبة مسؤوليتك. استبدال مجموعة البيانات يؤدي إلى إبطال النموذج النشط، ولكنه يحافظ على التنبؤات التاريخية.
استكشافاتك، مسجلة
سجل التوقعات
التقديرات المحفوظة، ومدخلاتها، والنموذج الدقيق المستخدم فيها.
| ID | التاريخ | المسمى الوظيفي | سنوات الخبرة | الراتب السنوي | الإصدار | الإجراءات |
|---|
مساحة عملك، بطريقتك
الإعدادات
تفضيلات العرض ومعلومات وقت التشغيل الشفافة.
عرض التعويضات
تسميات العملات، وليس تحويلاً لصرف العملات الأجنبية. اضبط هذا على عملة مجموعة البيانات المصدر. تحتفظ التوقعات المحفوظة بعملتها الأصلية.
إصدار المتصفح · حدود وقت التشغيل
يعمل هذا التطبيق المصغر باستخدام شبكة عصبية اصطناعية (ANN) حقيقية بلغة JavaScript، وليس واجهة برمجة تطبيقات Python مستضافة. يمنح التدريب الأولوية للمتصفح بين الحقب (epochs). تستخدم النماذج ومجموعة البيانات والسجل مساحة التخزين الخاصة بالمستخدم على المنصة، وليس SQL. لا توجد خدمة بيانات رواتب خارجية، ولا ضمان لتوافر الخدمة، ولا نموذج واقعي تم التحقق منه بشكل مستقل.
تعرف على المزيدالشفافية بالتصميم
حول النموذج
محرك تعلم حقيقي. سرد صادق لحدوده.
المنهجية
يستخدم البيرسيبترون متعدد الطبقات ذو التغذية الأمامية الخبرة والمهارة الموحدة، بالإضافة إلى التعليم والدور والقسم المشفرة بنظام one-hot. تستخدم الطبقات الخفية ReLU أو tanh؛ ومخرج انحدار الراتب خطي. يتم حساب تدرجات MSE بواسطة قاعدة السلسلة ويتم تحسينها باستخدام Adam أو minibatch SGD.
قابلية التكرار ومنع التسريب
يخصص خلط ثابت البذرة 20% للاختبار. يتم أخذ التحقق من السجلات المتبقية باستخدام بذرة التدريب. يتم ملاءمة القياس العددي، والمفردات الفئوية، وتوحيد الهدف على بيانات التدريب فقط. تستخدم الفئات غير المعروفة خانة غير معروفة صريحة. يتم تقييم بيانات الاختبار فقط بعد الحقبة النهائية. تخزن العناصر الأوزان، والانحيازات، والمعالجة المسبقة، والتكوين، والتقييم معًا.
مصدر البيانات
السجلات الـ 480 الأولى هي أمثلة اصطناعية قابلة للتكرار تم إنشاؤها باستخدام البذرة 2026. وهي ليست رواتب موظفين حقيقية ولا تحمل أي ادعاء بصلاحية السوق. يحدد المولد الاصطناعي مجموعة بيانات تعليمية؛ وتأتي التوقعات دائمًا من الشبكة العصبية الاصطناعية (ANN) المدربة، وليس من ذلك المولد أبدًا. تحل ملفات CSV التي يرفعها المستخدم محل العرض التوضيحي ويتم تمييزها على أنها غير متحقق منها.
القيود والاستخدام المقصود
للاستكشاف التعليمي فقط. ليست لاتخاذ قرارات التوظيف أو التعويضات أو فحص التوظيف. لا يتم توفير تدقيق للعدالة، أو إسناد سببي للميزات، أو فاصل ثقة، أو تحقق خارجي. يمكن أن تكون مخرجات الرواتب سلبية أو غير منطقية؛ ولا يتم قصها بصمت. السمات المحمية ليست ميزات تنبؤية. قد تظل الفئات تحمل تحيزات مجتمعية.
العناصر والتخزين
يتم حفظ النموذج النشط وما يصل إلى ستة ملخصات للإصدارات لكل مستخدم. يتم حفظ التوقعات فقط عند الطلب، بما يصل إلى 500 سجل. تؤدي تغييرات مجموعة البيانات إلى إبطال النموذج النشط. يتم التحقق من العناصر المخزنة قبل تحميلها. يتم الإبلاغ عن إخفاقات التخزين وتظل الجلسة الحالية قابلة للاستخدام. لا يتم توفير خادم أو قاعدة بيانات في إصدار المتصفح هذا.
التحقق
يتحقق المحرك من التدرجات العددية مقابل الفروق المحدودة قبل التدريب. يرفض التدريب الخسارة غير المحدودة. يتم حساب المقاييس بوحدات الراتب السنوي الأصلية على بيانات الاختبار المحجوزة. هذا ليس بديلاً عن مجموعة اختبارات مؤتمتة كاملة منفذة بشكل مستقل أو مراجعة أمنية للإنتاج.