Erfahren Sie, wie Erfahrung, Ausbildung und Fähigkeiten zusammenwirken, um eine fundierte Gehaltsschätzung zu erstellen.
Probieren Sie den Schätzungs-Workflow mit Beispielprofilen aus und erhalten Sie in Sekundenschnelle einen klaren, gekennzeichneten Gehaltseinblick.
Gehen Sie über die Vorhersage hinaus. Erkunden Sie den Lernprozess.
Schätzen Sie Gehälter mithilfe von Mitarbeitermerkmalen und Mustern, die aus verfügbaren Trainingsdaten gelernt wurden.
Gehaltsprognose erkunden →Erkunden Sie, wie sich Eingaben durch verborgene Schichten bewegen, um eine numerische Gehaltsprognose zu erstellen.
Das Netzwerk erkunden →Verstehen Sie, wie Vorhersagefehler die Parameteraktualisierungen während des Trainings eines neuronalen Netzes steuern.
Den Lernprozess verstehen →Erkunden Sie die Mathematik hinter dem Modell. Diese visuelle Karte dient der Illustration; das eigentliche Training findet im Browser-Trainingszentrum statt.
Gewichtete Inputs plus ein Bias bilden die Prä-Aktivierung.
Eine Aktivierungsfunktion transformiert das Signal.
Der Loss misst die Lücke zwischen Realität und Schätzung.
Das Gradientenverfahren schiebt die Parameter in Richtung eines geringeren Loss.
Erfahrung, Ausbildung, Jobrolle und unterstützte Fähigkeiten.
Verwandeln Sie Ihre Antworten in ein klares Profil, das die App lesen kann.
Die App vergleicht Ihr Profil mit gelernten Gehaltsmustern.
Sie erhalten eine einfache Gehaltsschätzung.
Überprüfen Sie die Schätzung und den Kontext dahinter.
Erkunden Sie die Beispielprofile hinter den Gehaltsmustern. Dies sind hilfreiche Signale, keine Garantien.
Beispielprofile stehen bereit, um Ihnen bei der Analyse von Gehaltsmustern zu helfen.
Schätzung ausprobieren →Sehen Sie, welche Profildetails die Schätzung beeinflussen.
Vergleichen Sie Ihr Ergebnis mit den verfügbaren Beispielprofilen.
Schätzungen hängen von den Trainingsdaten ab und stellen keine garantierte Vergütung dar.
Erkunden Sie die Beziehung zwischen Erfahrung, Fähigkeiten und geschätzter Vergütung durch neuronale Intelligenz.
Hier befinden sich die Tools für Training, Auswertung, Daten und Lernen, damit das Hauptgehaltserlebnis einfach bleibt.
Wählen Sie einen spezialisierten Arbeitsbereich für den nächsten Schritt.
Wählen Sie die Lernkonfiguration, starten Sie das Training und speichern Sie ein neues Modell.
Training öffnen →Überprüfen Sie die Auswertungsdiagramme und vergleichen Sie das aktive Modell mit seinen Testergebnissen.
Performance öffnen →Prüfen Sie Datensätze, importieren Sie eine CSV-Datei oder stellen Sie den Beispieldatensatz wieder her.
Datensatz öffnen →Nutzen Sie das visuelle Labor und den Schritt-für-Schritt-Simulator, um den Lernfluss zu verstehen.
Netzwerklabor öffnen →Erkunden Sie Gehaltsschätzungen, die auf Erfahrung, Ausbildung, Fähigkeiten und verfügbaren Beispielprofilen basieren.
Erkunden Sie die Beispielprofile hinter jeder Schätzung.
Ein einfacher Vergleich mit verfügbaren Beispielen
Verfügbar nach einer gespeicherten Schätzung
Verfügbare Beispielprofile · Muster sind keine Garantien
Eine einfache Ansicht Ihrer gespeicherten Profil-Einblicke.
Geben Sie einige Details an, um eine personalisierte Gehaltsschätzung zu erhalten.
Geben Sie Ihre Daten ein und erhalten Sie in einem Moment eine Gehaltsschätzung.
GESCHÄTZTES GEHALT
Dies ist eine Schätzung zur Orientierung, kein Gehaltsversprechen. Beispielprofile spiegeln möglicherweise nicht jeden Arbeitsplatz oder Markt wider.
Echtes gradientenbasiertes Lernen, bei dem jede Epoche berücksichtigt wird.
Vergleichen Sie nur Zeilen mit demselben Datensatz-Fingerabdruck und demselben Test-Split. Das Training verwendet die letzte Epoche, ohne testbasierte Auswahl.
| Version | Datensatz / Split | Architektur | MAE | RMSE | R² | Datum |
|---|
Noch keine gespeicherten Modelle vorhanden. Trainieren Sie Ihr erstes Netzwerk, um echte Auswertungsergebnisse zu sehen.
Folge dem Signal. Verfolge den Gradienten. Verstehe, wie ein Netzwerk lernt.
Eine echte skalare Berechnung: x = 1, y = 2, ŷ = wx + b. Startet mit w = 0,5, b = 0. Dies ist nicht das Gehaltsmodell.
Das Gehaltsmodell mittelt die quadratischen Fehler über jedes Batch: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Gradienten fließen mittels Kettenregel durch die verborgenen Schichten.
| Berufserfahrung (Jahre) | Bildungsstand | Berufsrolle | Skill-Score | Abteilung | Jahresgehalt |
|---|
Keine passenden Datensätze gefunden.
Erforderliche Spalten: experience, education, role, skill, department, salary. 60–5.000 Zeilen; maximal 2 MB. Erfahrung: 0–40, Fähigkeit: 0–100, Jahresgehalt: 1.000–100.000.000. Keine fehlenden Felder. Bis zu 30 Kategorien pro kategorischem Merkmal. Zusätzliche Spalten werden ausgeschlossen.
Verwenden Sie nur Daten, für deren Verarbeitung Sie eine Genehmigung haben. Geben Sie keine Namen oder geschützten Attribute an. Importierte Daten sind ungeprüft; für aussagekräftige Kategorien und eine angemessene Lizenzierung sind Sie selbst verantwortlich. Das Ersetzen des Datensatzes macht das aktive Modell ungültig, bewahrt jedoch historische Vorhersagen.
Gespeicherte Schätzungen, deren Eingaben und das exakte Modell dahinter.
| ID | Datum | Berufsrolle | Berufserfahrung (Jahre) | Jahresgehalt | Version | Aktionen |
|---|
Speichern Sie eine Vorhersage aus dem Studio, um Ihren Verlauf aufzubauen. Es werden keine Beispielvorhersagen hinzugefügt.
GehaltsschätzungAnzeigeeinstellungen und transparente Laufzeitinformationen.
Währungsbezeichnungen, keine Devisenumrechnung. Stellen Sie dies auf die Währung des Quelldatensatzes ein. Gespeicherte Vorhersagen behalten ihre ursprüngliche Währung bei.
Diese Miniapp betreibt ein echtes JavaScript-ANN, keine gehostete Python-API. Das Training gibt zwischen den Epochen den Browser frei. Modelle, Datensätze und Historie nutzen den pro Benutzer verfügbaren Speicher der Plattform, kein SQL. Es gibt keinen externen Gehaltsdatendienst, keine garantierte Serviceverfügbarkeit und kein unabhängig validiertes Echtzeitmodell.
Mehr erfahrenEine echte Learning-Engine. Eine ehrliche Darstellung ihrer Grenzen.
Das Feedforward-Multilayer-Perzeptron verwendet standardisierte Erfahrung und Fähigkeiten sowie One-Hot-kodierte Bildung, Rolle und Abteilung. Verborgene Schichten verwenden ReLU oder tanh; die Gehaltsregressionsausgabe ist linear. MSE-Gradienten werden über die Kettenregel berechnet und mit Adam oder Minibatch-SGD optimiert.
Ein fest vorgegebener Seed-Shuffle reserviert 20 % für Tests. Die Validierung erfolgt aus den verbleibenden Datensätzen unter Verwendung des Trainings-Seeds. Numerische Skalierung, kategorisches Vokabular und Zielstandardisierung werden nur auf Trainingsdaten angepasst. Unbekannte Kategorien verwenden einen expliziten „Unknown“-Slot. Testdaten werden erst nach der letzten Epoche ausgewertet. Artefakte speichern Gewichte, Biases, Vorverarbeitung, Konfiguration und Auswertung gemeinsam.
Die ersten 480 Datensätze sind reproduzierbare synthetische Beispiele, die mit dem Seed 2026 generiert wurden. Es handelt sich nicht um echte Mitarbeitergehälter, und es wird kein Anspruch auf Marktgültigkeit erhoben. Der synthetische Generator definiert einen Lehrdatensatz; Vorhersagen stammen immer vom trainierten KNN, niemals von diesem Generator. Durch den Benutzer hochgeladene CSV-Dateien ersetzen die Demo und werden als ungeprüft markiert.
Nur zur pädagogischen Exploration. Nicht für Einstellungen, Vergütungsentscheidungen oder Beschäftigungsprüfungen geeignet. Es werden keine Fairness-Audits, kausalen Merkmalszuweisungen, Konfidenzintervalle oder externen Validierungen bereitgestellt. Gehaltsausgaben können negativ oder unplausibel sein; sie werden nicht stillschweigend gekappt. Geschützte Attribute sind keine prädiktiven Merkmale. Kategorien können dennoch gesellschaftliche Vorurteile enthalten.
Das aktive Modell und bis zu sechs Versionszusammenfassungen werden pro Benutzer gespeichert. Vorhersagen werden nur auf Anfrage gespeichert, bis zu 500 Datensätze. Änderungen am Datensatz machen das aktive Modell ungültig. Gespeicherte Artefakte werden vor dem Laden validiert. Speicherfehler werden gemeldet, und die aktuelle Sitzung bleibt nutzbar. Diese Browser-Edition stellt keinen Server oder eine Datenbank bereit.
Die Engine prüft numerische Gradienten gegen endliche Differenzen vor dem Training. Das Training lehnt nicht-endliche Verluste ab. Metriken werden in den ursprünglichen jährlichen Gehaltseinheiten auf den zurückgehaltenen Testdaten berechnet. Dies ist kein Ersatz für eine vollständige, unabhängig ausgeführte automatisierte Testsuite oder eine Sicherheitsprüfung für die Produktion.
