Explore cómo la experiencia, la educación y las habilidades se combinan para crear una estimación salarial detallada.
Prueba el flujo de estimación con perfiles de muestra y obtén una perspectiva salarial clara y detallada en segundos.
Vaya más allá de la predicción. Explore el proceso de aprendizaje.
Estime los salarios utilizando las características del empleado y los patrones aprendidos de los datos de entrenamiento disponibles.
Explorar la predicción salarial →Explore cómo las entradas se mueven a través de capas ocultas para generar una predicción salarial numérica.
Explorar la red →Comprenda cómo los errores de predicción impulsan las actualizaciones de parámetros durante el entrenamiento de la red neuronal.
Comprender el proceso de aprendizaje →Explore las matemáticas detrás del modelo. Este mapa visual es ilustrativo; el entrenamiento en vivo ocurre en el centro de entrenamiento del navegador.
Las entradas ponderadas más un sesgo forman la preactivación.
Una función de activación transforma la señal.
La pérdida mide la brecha entre la realidad y la estimación.
El descenso de gradiente empuja los parámetros hacia una pérdida menor.
Experiencia, educación, puesto de trabajo y habilidades compatibles.
Convierte tus respuestas en un perfil claro que la aplicación pueda leer.
La aplicación compara tu perfil con patrones salariales aprendidos.
Recibirás una estimación salarial sencilla.
Revisa la estimación y el contexto detrás de ella.
Explore los perfiles de muestra detrás de los patrones salariales. Estas son señales útiles, no garantías.
Los perfiles de muestra están listos para ayudarle a explorar los patrones salariales.
Probar una estimación →Mira qué detalles del perfil influyen en la estimación.
Compara tu resultado con los perfiles de muestra disponibles.
Las estimaciones dependen de los datos de entrenamiento y no garantizan una compensación.
Explore la relación entre la experiencia, las habilidades y la compensación estimada a través de la inteligencia neuronal.
Aquí se encuentran las herramientas de entrenamiento, evaluación, datos y aprendizaje para que la experiencia principal de salarios sea sencilla.
Usa este espacio de trabajo para entrenar un modelo, inspeccionar su evidencia, administrar registros y aprender cómo funciona el motor.
Elige un espacio de trabajo enfocado para el siguiente paso.
Elige la configuración de aprendizaje, inicia el entrenamiento y guarda un modelo nuevo.
Abrir entrenamiento →Revisa los gráficos de evaluación y compara el modelo activo con sus resultados de prueba.
Abrir rendimiento →Inspecciona registros, importa un CSV o restaura el conjunto de datos de muestra.
Abrir conjunto de datos →Usa el laboratorio visual y el simulador paso a paso para comprender el flujo de aprendizaje.
Abrir laboratorio de red →Explora estimaciones salariales basadas en experiencia, educación, habilidades y perfiles de muestra disponibles.
Explora los perfiles de muestra detrás de cada estimación.
Una comparación sencilla con ejemplos disponibles
Disponible después de guardar una estimación
Perfiles de muestra disponibles · los patrones no son garantías
Una vista sencilla de la información de tus perfiles guardados.
Agrega algunos detalles para explorar una estimación salarial personalizada.
Agrega tus datos y obtén una estimación salarial en un momento.
SALARIO ESTIMADO
Esta es una estimación para fines exploratorios, no una promesa de compensación. Es posible que los perfiles de muestra no reflejen cada lugar de trabajo o mercado.
Aprendizaje real basado en gradientes, con cada época contabilizada.
Estandarización solo para entrenamiento + codificación one-hot. El objetivo de salario está estandarizado; todos los errores reportados se convierten nuevamente a unidades monetarias anuales.
Iniciar entrenamientoSolo compara filas con la misma huella de conjunto de datos y división de prueba. El entrenamiento utiliza la época final, sin selección basada en pruebas.
| Versión | Conjunto de datos / división | Arquitectura | MAE | RMSE | R² | Fecha |
|---|
Aún no hay modelos guardados. Entrena tu primera red para ver resultados de evaluación reales.
Sigue la señal. Rastrea el gradiente. Comprende cómo aprende una red.
Un cálculo escalar real: x = 1, y = 2, ŷ = wx + b. Comienza con w = 0.5, b = 0. Este no es el modelo salarial.
El modelo salarial promedia los errores cuadráticos en cada lote: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Los gradientes fluyen a través de las capas ocultas utilizando la regla de la cadena.
| Años de experiencia | Nivel educativo | Cargo | Puntaje de habilidad | Departamento | Salario anual |
|---|
No se encontraron registros coincidentes.
Columnas requeridas: experiencia, educación, rol, habilidad, departamento, salario. De 60 a 5,000 filas; máximo 2 MB. Experiencia: 0–40, habilidad: 0–100, salario anual: 1,000–100,000,000. Sin campos vacíos. Hasta 30 categorías por característica categórica. Las columnas adicionales se excluyen.
Usa solo datos que tengas permiso para procesar. No incluyas nombres ni atributos protegidos. Los datos importados no están verificados; las categorías significativas y las licencias apropiadas siguen siendo tu responsabilidad. Reemplazar el conjunto de datos invalida el modelo activo, pero conserva las predicciones históricas.
Estimaciones guardadas, sus entradas y el modelo exacto detrás de ellas.
| ID | Fecha | Cargo | Años de experiencia | Salario anual | Versión | Acciones |
|---|
Guarda una predicción desde el estudio para crear tu historial. No se agregaron predicciones de ejemplo.
Estimación salarialPreferencias de visualización e información transparente del tiempo de ejecución.
Etiquetas de moneda, no conversión de divisas. Establece esto en la moneda del conjunto de datos de origen. Las predicciones guardadas conservan su moneda original.
Esta miniapp ejecuta una ANN de JavaScript real, no una API de Python alojada. El entrenamiento cede el control al navegador entre épocas. Los modelos, el conjunto de datos y el historial utilizan el almacenamiento por usuario de la plataforma, no SQL. No hay un servicio externo de datos salariales, disponibilidad de servicio garantizada ni un modelo del mundo real validado independientemente.
Más informaciónUn motor de aprendizaje real. Un relato honesto de sus límites.
El perceptrón multicapa feedforward utiliza experiencia y habilidad estandarizadas, además de educación, rol y departamento codificados mediante one-hot. Las capas ocultas utilizan ReLU o tanh; la salida de regresión salarial es lineal. Los gradientes MSE se calculan mediante la regla de la cadena y se optimizan con Adam o SGD por minibatch.
Un barajado con semilla fija reserva el 20% para pruebas. La validación se toma de los registros restantes utilizando la semilla de entrenamiento. El escalado numérico, el vocabulario categórico y la estandarización del objetivo se ajustan únicamente con los datos de entrenamiento. Las categorías desconocidas utilizan un espacio explícito para desconocidos. Los datos de prueba se evalúan solo después de la época final. Los artefactos almacenan pesos, sesgos, preprocesamiento, configuración y evaluación en conjunto.
Los primeros 480 registros son ejemplos sintéticos reproducibles generados con la semilla 2026. No son salarios reales de empleados y no tienen ninguna validez de mercado. El generador sintético define un conjunto de datos de enseñanza; las predicciones siempre provienen de la ANN entrenada, nunca de ese generador. Las cargas de CSV del usuario reemplazan la demostración y se marcan como no verificadas.
Solo para exploración educativa. No apto para contrataciones, decisiones de compensación o selección de empleo. No se proporciona auditoría de equidad, atribución de características causales, intervalo de confianza ni validación externa. Los resultados salariales pueden ser negativos o inverosímiles; no se recortan silenciosamente. Los atributos protegidos no son características predictivas. Las categorías aún pueden contener sesgos sociales.
El modelo activo y hasta seis resúmenes de versiones se guardan por usuario. Las predicciones se guardan solo a pedido, hasta 500 registros. Los cambios en el conjunto de datos invalidan el modelo activo. Los artefactos almacenados se validan antes de cargarse. Los fallos de almacenamiento se informan y la sesión actual permanece utilizable. Esta edición de navegador no dispone de servidor ni base de datos.
El motor verifica los gradientes numéricos frente a diferencias finitas antes del entrenamiento. El entrenamiento rechaza pérdidas no finitas. Las métricas se calculan en unidades de salario anual originales sobre los datos de prueba reservados. Esto no sustituye a una suite de pruebas automatizadas ejecutada independientemente o a una revisión de seguridad de producción.
