Découvrez comment l'expérience, l'éducation et les compétences se conjuguent pour créer une estimation salariale réfléchie.
Essayez le flux d'estimation avec des profils d'exemple et obtenez une analyse salariale claire et étiquetée en quelques secondes.
Allez au-delà de la prédiction. Explorez le processus d'apprentissage.
Estimez les salaires en utilisant les caractéristiques des employés et les modèles appris à partir des données d'entraînement disponibles.
Explorer la prédiction salariale →Explorez comment les entrées traversent les couches cachées pour générer une prédiction salariale numérique.
Explorer le réseau →Comprenez comment les erreurs de prédiction entraînent la mise à jour des paramètres lors de l'entraînement d'un réseau neuronal.
Comprendre le processus d'apprentissage →Explorez les mathématiques derrière le modèle. Cette carte visuelle est illustrative ; l'entraînement réel a lieu dans le centre d'entraînement du navigateur.
Les entrées pondérées plus un biais forment la pré-activation.
Une fonction d'activation transforme le signal.
La perte mesure l'écart entre la réalité et l'estimation.
La descente de gradient oriente les paramètres vers une perte plus faible.
Expérience, formation, rôle professionnel et compétences supportées.
Transformez vos réponses en un profil clair que l'application peut lire.
L'application compare votre profil avec des modèles de salaire appris.
Vous recevez une estimation salariale simple.
Examinez l'estimation et le contexte associé.
Explorez les profils d'exemple derrière les tendances salariales. Ce sont des signaux utiles, pas des garanties.
Des profils d'exemple sont prêts pour vous aider à explorer les tendances salariales.
Essayer une estimation →Voyez quels détails du profil influencent l'estimation.
Comparez votre résultat avec les profils d'exemple disponibles.
Les estimations dépendent des données d'entraînement et ne constituent pas une garantie de rémunération.
Explorez la relation entre l'expérience, les compétences et la rémunération estimée grâce à l'intelligence neuronale.
L'entraînement, l'évaluation, les données et les outils d'apprentissage se trouvent ici afin que l'expérience principale relative aux salaires reste simple.
Choisissez un espace de travail ciblé pour l'étape suivante.
Choisissez la configuration d'apprentissage, lancez l'entraînement et enregistrez un nouveau modèle.
Ouvrir l'entraînement →Consultez les graphiques d'évaluation et comparez le modèle actif avec ses résultats de test.
Ouvrir les performances →Inspectez les enregistrements, importez un CSV ou restaurez le jeu de données d'exemple.
Ouvrir le jeu de données →Utilisez le laboratoire visuel et le simulateur étape par étape pour comprendre le flux d'apprentissage.
Ouvrir le laboratoire réseau →Explorez des estimations salariales basées sur l'expérience, la formation, les compétences et les profils types disponibles.
Explorez les profils types derrière chaque estimation.
Une comparaison simple avec les exemples disponibles
Disponible après une estimation enregistrée
Profils types disponibles · les tendances ne sont pas des garanties
Une vue simple des analyses de vos profils enregistrés.
Ajoutez quelques détails pour explorer une estimation de salaire personnalisée.
Ajoutez vos informations et obtenez une estimation de salaire en un instant.
SALAIRE ESTIMÉ
Ceci est une estimation à titre exploratoire, et non une promesse de rémunération. Les profils types peuvent ne pas refléter tous les lieux de travail ou marchés.
Un véritable apprentissage basé sur le gradient, où chaque époque compte.
Comparez uniquement les lignes ayant la même empreinte de données et la même division de test. L'entraînement utilise l'époque finale, sans sélection basée sur le test.
| Version | Jeu de données / division | Architecture | MAE | RMSE | R² | Date |
|---|
Aucun modèle enregistré pour le moment. Entraînez votre premier réseau pour voir des résultats d'évaluation réels.
Suivez le signal. Tracez le gradient. Comprenez comment un réseau apprend.
Un calcul scalaire réel : x = 1, y = 2, ŷ = wx + b. Commence avec w = 0,5, b = 0. Ceci n'est pas le modèle salarial.
Le modèle salarial calcule la moyenne des erreurs quadratiques sur chaque lot : MSE = (1/n) Σ(yᵢ − ŷᵢ)². Les gradients circulent à travers les couches cachées via la règle de dérivation en chaîne.
| Années d'expérience | Niveau d'études | Poste | Score de compétence | Département | Salaire annuel |
|---|
Aucun enregistrement correspondant.
Colonnes requises : expérience, éducation, rôle, compétence, département, salaire. 60 à 5 000 lignes ; maximum 2 Mo. Expérience : 0–40, compétence : 0–100, salaire annuel : 1 000–100 000 000. Aucun champ manquant. Jusqu'à 30 catégories par caractéristique catégorielle. Les colonnes supplémentaires sont exclues.
Utilisez uniquement des données que vous êtes autorisé à traiter. N'incluez pas de noms ou d'attributs protégés. Les données importées ne sont pas vérifiées ; les catégories significatives et les licences appropriées restent sous votre responsabilité. Le remplacement du jeu de données invalide le modèle actif, mais conserve les prédictions historiques.
Estimations enregistrées, leurs entrées et le modèle exact utilisé.
| ID | Date | Poste | Années d'expérience | Salaire annuel | Version | Actions |
|---|
Enregistrez une prédiction depuis le studio pour construire votre historique. Aucune prédiction d'exemple n'est ajoutée.
Estimation du salairePréférences d'affichage et informations d'exécution transparentes.
Étiquettes de devise, et non conversion de change. Réglez ceci sur la devise du jeu de données source. Les prédictions enregistrées conservent leur devise d'origine.
Cette mini-app exécute un ANN JavaScript réel, et non une API Python hébergée. L'entraînement laisse la main au navigateur entre les époques. Les modèles, le jeu de données et l'historique utilisent le stockage par utilisateur de la plateforme, et non SQL. Il n'y a aucun service de données salariales externe, aucune garantie de disponibilité du service, ni aucun modèle réel validé indépendamment.
En savoir plusUn véritable moteur d'apprentissage. Un compte honnête de ses limites.
Le perceptron multicouche à propagation avant utilise l'expérience et les compétences standardisées, ainsi que l'éducation, le rôle et le département encodés en one-hot. Les couches cachées utilisent ReLU ou tanh ; la sortie de régression salariale est linéaire. Les gradients MSE sont calculés par la règle de la chaîne et optimisés avec Adam ou SGD par mini-lots.
Un mélange avec graine fixe réserve 20 % pour les tests. La validation est extraite des enregistrements restants en utilisant la graine d'entraînement. La mise à l'échelle numérique, le vocabulaire catégoriel et la standardisation de la cible sont ajustés uniquement sur les données d'entraînement. Les catégories inconnues utilisent un emplacement inconnu explicite. Les données de test sont évaluées uniquement après l'époque finale. Les artefacts stockent ensemble les poids, les biais, le prétraitement, la configuration et l'évaluation.
Les 480 premiers enregistrements sont des exemples synthétiques reproductibles générés avec la graine 2026. Ils ne représentent pas de réels salaires d'employés et n'ont aucune valeur marchande. Le générateur synthétique définit un ensemble de données d'apprentissage ; les prédictions proviennent toujours du réseau de neurones artificiels (ANN) entraîné, jamais de ce générateur. Les téléchargements CSV de l'utilisateur remplacent la démo et sont marqués comme non vérifiés.
Exploration éducative uniquement. Non destiné au recrutement, aux décisions de rémunération ou au filtrage à l'embauche. Aucun audit d'équité, attribution causale des caractéristiques, intervalle de confiance ou validation externe n'est fourni. Les sorties de salaire peuvent être négatives ou improbables ; elles ne sont pas tronquées silencieusement. Les attributs protégés ne sont pas des caractéristiques prédictives. Les catégories peuvent toujours comporter des biais sociétaux.
Le modèle actif et jusqu'à six résumés de versions sont sauvegardés par utilisateur. Les prédictions sont sauvegardées uniquement sur demande, jusqu'à 500 enregistrements. Les modifications de l'ensemble de données invalident le modèle actif. Les artefacts stockés sont validés avant le chargement. Les échecs de stockage sont signalés et la session actuelle reste utilisable. Aucun serveur ni base de données n'est provisionné par cette édition navigateur.
Le moteur vérifie les gradients numériques par rapport aux différences finies avant l'entraînement. L'entraînement rejette les pertes non finies. Les métriques sont calculées dans les unités de salaire annuel d'origine sur les données de test mises de côté. Ceci ne remplace pas une suite de tests automatisés complète exécutée indépendamment ou une revue de sécurité de production.
