क्षमता 01↗
अनुमानित मुआवजा—मॉक डेटा पूर्वावलोकन · प्रोडक्शन के लिए मॉडल प्रशिक्षित करें
वेतन भविष्यवाणी
उपलब्ध प्रशिक्षण डेटा से सीखी गई कर्मचारी विशेषताओं और पैटर्न का उपयोग करके वेतन का अनुमान लगाएं।
वेतन भविष्यवाणी का अन्वेषण करें →
आपका वर्कस्पेस लोड हो रहा है…
वास्तविक निर्णयों के लिए वेतन संबंधी जानकारी
संख्याओं से परे देखें।
देखें कि कैसे अनुभव, शिक्षा और कौशल मिलकर वेतन का एक विचारशील अनुमान लगाते हैं।
स्पष्ट इनपुट। उपयोगी संदर्भ। आपका निर्णय।
वेतन अंतर्दृष्टि पूर्वावलोकनएक्सप्लोर करने के लिए तैयार
आपका प्रोफ़ाइल→सैलरी पैटर्न→आपका अनुमान
प्रोफ़ाइल सिग्नलz = xW + b
पैटर्न सिग्नल∂L / ∂W
आपका अनुमान—
जब आप तैयार हों तब उपलब्ध01 / इंटरैक्ट करें
आपका करियर। आपका डेटा। एक वेतन इनसाइट।
सैंपल प्रोफ़ाइलों के साथ अनुमान वर्कफ़्लो को आज़माएं और कुछ ही सेकंड में स्पष्ट, लेबल किया हुआ वेतन इनसाइट प्राप्त करें।
सैलरी प्रेडिक्शन स्टूडियो
कर्मचारी प्रोफ़ाइल बनाएं
02 / क्षमताएं
बुद्धिमत्ता जिसे आप वास्तव में समझ सकते हैं।
भविष्यवाणी से आगे बढ़ें। सीखने की प्रक्रिया का अन्वेषण करें।
क्षमता 02↗
न्यूरल नेटवर्क विज़ुअलाइज़ेशन
अन्वेषण करें कि संख्यात्मक वेतन भविष्यवाणी उत्पन्न करने के लिए इनपुट छिपी हुई परतों (hidden layers) के माध्यम से कैसे चलते हैं।
नेटवर्क का अन्वेषण करें →क्षमता 03↗
INPUTŷLOSS
GRADIENT∂अपडेट
बैकप्रोपैगेशन
समझें कि न्यूरल नेटवर्क प्रशिक्षण के दौरान भविष्यवाणी की त्रुटियां पैरामीटर अपडेट को कैसे संचालित करती हैं।
सीखने की प्रक्रिया को समझें →03 / इंजन
हर भविष्यवाणी की एक सीखने की प्रक्रिया होती है।
मॉडल के पीछे के गणित का अन्वेषण करें। यह विजुअल मैप केवल उदाहरण के लिए है; लाइव ट्रेनिंग ब्राउज़र ट्रेनिंग सेंटर में होती है।
विशेषताएं भारित परतों (weighted layers) से होकर गुजरती हैं और एक संख्यात्मक आउटपुट बन जाती हैं।
01Z = XW + b
भारित इनपुट और बायस मिलकर प्री-एक्टिवेशन बनाते हैं।
02A = f(Z)
एक एक्टिवेशन फंक्शन सिग्नल को रूपांतरित करता है।
03L = (y − ŷ)²
लॉस वास्तविकता और अनुमान के बीच के अंतर को मापता है।
04Wnew = Wold − η(∂L/∂W)
ग्रेडिएंट डिसेंट मापदंडों को कम लॉस की ओर ले जाता है।
04 / प्रवाह
कर्मचारी विशेषताओं से वेतन अंतर्दृष्टि तक।
जानकारी प्रदान करें
अनुभव, शिक्षा, नौकरी की भूमिका और समर्थित कौशल।
विशेषताओं को तैयार करें
अपने उत्तरों को एक स्पष्ट प्रोफ़ाइल में बदलें जिसे ऐप पढ़ सके।
नेटवर्क चलाएं
ऐप आपकी प्रोफ़ाइल की तुलना सीखे गए वेतन पैटर्न से करता है।
अनुमान जेनरेट करें
आपको वेतन का एक सरल अनुमान प्राप्त होता है।
परिणाम देखें
अनुमान और उसके पीछे के संदर्भ की समीक्षा करें।
05 / डेटा संकेत
वेतन के पीछे के पैटर्न को समझें।
वेतन पैटर्न के पीछे के नमूना प्रोफाइल देखें। ये सहायक संकेत हैं, गारंटी नहीं।
अनुभव / वेतन
अनुभव और मुआवज़े का मिलन
वेतन सीमा
उपलब्ध उदाहरणों की सीमा
वेतन पैटर्न का पता लगाने में आपकी मदद करने के लिए नमूना प्रोफाइल तैयार हैं।
एक अनुमान आज़माएं →06 / यह क्यों महत्वपूर्ण है
AI व्याख्या योग्य होना चाहिए।
स्पष्ट दृष्टिकोण
देखें कि प्रोफ़ाइल के कौन से विवरण अनुमान को आकार देते हैं।
उपयोगी संदर्भ
अपने परिणाम की तुलना उपलब्ध सैंपल प्रोफ़ाइलों से करें।
जिम्मेदार व्याख्या
अनुमान ट्रेनिंग डेटा पर निर्भर करते हैं और गारंटीकृत मुआवजा नहीं हैं।
सीखें · मापें · व्याख्या करें
07 / यहाँ से शुरू करें
आपकी अगली अंतर्दृष्टि यहाँ से शुरू होती है।
न्यूरल इंटेलिजेंस के माध्यम से अनुभव, कौशल और अनुमानित मुआवजे के बीच संबंध का अन्वेषण करें।
एडवांस्ड वर्कस्पेस
तकनीकी वर्कस्पेस
ट्रेनिंग, इवैल्यूएशन, डेटा और लर्निंग टूल्स यहाँ उपलब्ध हैं ताकि मुख्य सैलरी अनुभव सरल रहे।
सक्रिय मॉडल
—
ट्रेनिंग रिकॉर्ड
—
वर्तमान वर्जन
—
सेव किए गए अनुमान
—
तकनीकी टूल्स
अगले कदम के लिए एक फोकस्ड वर्कस्पेस चुनें।
मॉडल ट्रेन करें
लर्निंग सेटअप चुनें, ट्रेनिंग शुरू करें और एक नया मॉडल सेव करें।
ट्रेनिंग खोलें →परफॉरमेंस की समीक्षा करें
इवैल्यूएशन चार्ट देखें और एक्टिव मॉडल की तुलना उसके टेस्ट परिणामों से करें।
परफॉरमेंस खोलें →डेटासेट प्रबंधित करें
रिकॉर्ड की जांच करें, CSV इम्पोर्ट करें, या सैंपल डेटासेट को रिस्टोर करें।
डेटासेट खोलें →नेटवर्क एक्सप्लोर करें
लर्निंग फ्लो को समझने के लिए विजुअल लैब और स्टेप-बाय-स्टेप सिम्युलेटर का उपयोग करें।
नेटवर्क लैब खोलें →आपके अगले कदम के लिए स्पष्टता
वेतन को समझें। आत्मविश्वास के साथ योजना बनाएं।
अनुभव, शिक्षा, कौशल और उपलब्ध नमूना प्रोफाइल से बने वेतन अनुमानों का अन्वेषण करें।
व्यक्तिगत वेतन अंतर्दृष्टि·आपके प्रोफाइल से निर्मित
सैलरी इनसाइट प्रिव्यू
प्रोफ़ाइलपैटर्नअनुमान
वेतन के पीछे के पैटर्न देखें
प्रत्येक अनुमान के पीछे के नमूना प्रोफाइल का अन्वेषण करें।
अनुमान बनाम नमूना प्रोफाइल
उपलब्ध उदाहरणों के साथ एक सरल तुलना
अनुमान प्रगति
सहेजे गए अनुमान के बाद उपलब्ध
वेतन सीमा
अनुभव और वेतन
उपलब्ध नमूना प्रोफाइल · पैटर्न गारंटी नहीं हैं
आपका वेतन कार्यक्षेत्र
आपके सहेजे गए प्रोफाइल अंतर्दृष्टि का एक सरल दृश्य।
आपकी प्रोफ़ाइल से एक अनुमान तक
वेतन अनुमान
व्यक्तिगत वेतन अनुमान जानने के लिए कुछ विवरण जोड़ें।
आपकी प्रोफ़ाइल
आपका अनुमान
ANNएक स्पष्ट दृष्टिकोण यहाँ से शुरू होता है।
अपना विवरण जोड़ें और पल भर में वेतन का अनुमान प्राप्त करें।
अनुमानित वेतन
उपलब्ध प्रोफ़ाइलों की तुलना में
यह अन्वेषण के लिए एक अनुमान है, मुआवजे का वादा नहीं। नमूना प्रोफ़ाइल हर कार्यस्थल या बाज़ार को प्रतिबिंबित नहीं कर सकते हैं।
अपने नेटवर्क को सिखाएं
मॉडल ट्रेनिंग सेंटर
वास्तविक ग्रेडिएंट-आधारित लर्निंग, जिसमें हर epoch का हिसाब रखा गया है।
ट्रेनिंग कॉन्फ़िगरेशन
ब्राउज़र इंजनलर्निंग जारी है
0 / 100 इपोक्स (Epochs)
लर्निंग पाइपलाइन
- रिकॉर्ड्स को वैलिडेट करें और टेस्ट स्प्लिट को फ्रीज करें
- केवल ट्रेनिंग रिकॉर्ड्स पर प्रीप्रोसेसिंग फिट करें
- फॉरवर्ड पास → MSE → बैकप्रोपैगेशन
- वेट्स अपडेट करें और वैलिडेशन लॉस को ट्रैक करें
- टेस्ट डेटा का मूल्यांकन करें और मॉडल आर्टिफैक्ट सेव करें
मान्यताओं के बजाय प्रमाण
मॉडल प्रदर्शन
अनुमान बनाम नमूना प्रोफाइल
अनुमान प्रगति
अनुमान अंतर
संख्याओं का क्या अर्थ है
- MAE
- औसत पूर्ण भविष्यवाणी त्रुटि, वार्षिक वेतन इकाइयों में। कम होना बेहतर है।
- RMSE
- यह भी वार्षिक वेतन इकाइयों में है, जिसमें बड़ी त्रुटियों के लिए अधिक दंड है।
- R²
- मीन बेसलाइन के सापेक्ष प्रदर्शन। यह नकारात्मक हो सकता है; निष्पक्षता या व्यक्तिगत सटीकता की गारंटी नहीं देता है।
सहेजे गए मॉडल संस्करण
नवीनतम मॉडल सक्रिय हैकेवल उन्हीं पंक्तियों की तुलना करें जिनका डेटासेट फिंगरप्रिंट और टेस्ट स्प्लिट समान हो। प्रशिक्षण अंतिम एपोक का उपयोग करता है, टेस्ट-आधारित चयन के बिना।
| वर्जन | डेटासेट / स्प्लिट | आर्किटेक्चर | MAE | RMSE | R² | तारीख |
|---|
अभी तक कोई मॉडल सेव नहीं किया गया है। वास्तविक मूल्यांकन परिणाम देखने के लिए अपना पहला नेटवर्क ट्रेन करें।
अदृश्य को दृश्य बनाएं
न्यूरल नेटवर्क लैब
सिग्नल का अनुसरण करें। ग्रेडिएंट को ट्रैक करें। समझें कि एक नेटवर्क कैसे सीखता है।
शैक्षिक दृश्य। सिग्नल एनिमेशन उदाहरण के लिए हैं, लाइव न्यूरॉन एक्टिवेशन नहीं। संख्यात्मक सिम्युलेटर एक अलग वन-वेट मॉडल का उपयोग करता है।
नेटवर्क आर्किटेक्चर
Z = XW + bA = f(Z)आउटपुट: ŷ = AW + b (रैखिक)
बैकप्रोपैगेशन, एक बार में एक कदम
अलग सिमुलेटरएक वास्तविक स्केलर गणना: x = 1, y = 2, ŷ = wx + b. w = 0.5, b = 0 से शुरू होता है। यह वेतन मॉडल नहीं है।
त्रुटि से सीखना
L = (y − ŷ)²∂L/∂w = 2(ŷ − y)x∂L/∂b = 2(ŷ − y)w ← w − η ∂L/∂wb ← b − η ∂L/∂b
वेतन मॉडल प्रत्येक बैच पर औसत वर्ग त्रुटियों की गणना करता है: MSE = (1/n) Σ(yᵢ − ŷᵢ)². ग्रेडिएंट्स चेन रूल का उपयोग करके छिपी हुई परतों के माध्यम से प्रवाहित होते हैं।
जानें कि आपका मॉडल क्या जानता है
डेटासेट एक्सप्लोरर
कर्मचारी रिकॉर्ड
| अनुभव के वर्ष | शिक्षा का स्तर | नौकरी की भूमिका | कौशल स्कोर | विभाग | वार्षिक वेतन |
|---|
कोई मिलान करने वाला रिकॉर्ड नहीं मिला।
शिक्षा मिश्रण
भूमिका मिश्रण
विभाग मिश्रण
अनुभव सीमा
CSV स्कीमा और जिम्मेदार उपयोग
आवश्यक कॉलम: अनुभव, शिक्षा, भूमिका, कौशल, विभाग, वेतन। 60–5,000 पंक्तियाँ; अधिकतम 2 MB। अनुभव: 0–40, कौशल: 0–100, वार्षिक वेतन: 1,000–100,000,000। कोई भी फ़ील्ड खाली न हो। प्रति श्रेणी विशेषता अधिकतम 30 श्रेणियां। अतिरिक्त कॉलम हटा दिए जाते हैं।
केवल उसी डेटा का उपयोग करें जिसे प्रोसेस करने की आपके पास अनुमति है। नाम या संरक्षित विशेषताओं को शामिल न करें। आयातित डेटा असत्यापित है; सार्थक श्रेणियां और उचित लाइसेंसिंग आपकी जिम्मेदारी बनी रहती है। डेटासेट को बदलने से सक्रिय मॉडल अमान्य हो जाता है, लेकिन ऐतिहासिक भविष्यवाणियां सुरक्षित रहती हैं।
आपकी खोज, रिकॉर्ड की गई
प्रेडिक्शन इतिहास
सहेजे गए अनुमान, उनके इनपुट, और उनके पीछे का सटीक मॉडल।
| ID | तारीख | नौकरी की भूमिका | अनुभव के वर्ष | वार्षिक वेतन | वर्जन | कार्रवाइयाँ |
|---|
एक नई शुरुआत।
अपना इतिहास बनाने के लिए स्टूडियो से एक प्रेडिक्शन सेव करें। कोई नमूना प्रेडिक्शन नहीं जोड़ा गया है।
वेतन अनुमानआपका वर्कस्पेस, आपके तरीके से
सेटिंग्स
प्रदर्शन प्राथमिकताएं और पारदर्शी रनटाइम जानकारी।
मुआवजा प्रदर्शन
मुद्रा लेबल, विदेशी मुद्रा रूपांतरण नहीं। इसे स्रोत डेटासेट की मुद्रा पर सेट करें। सहेजे गए अनुमान अपनी मूल मुद्रा बनाए रखते हैं।
ब्राउज़र संस्करण · रनटाइम सीमाएँ
यह मिनी-ऐप एक वास्तविक जावास्क्रिप्ट ANN चलाता है, न कि होस्टेड पायथन API। ट्रेनिंग प्रत्येक epoch के बीच ब्राउज़र को नियंत्रण सौंपती है। मॉडल, डेटासेट और इतिहास प्लेटफॉर्म के प्रति-उपयोगकर्ता स्टोरेज का उपयोग करते हैं, SQL का नहीं। कोई बाहरी वेतन डेटा सेवा, गारंटीकृत सेवा उपलब्धता, या स्वतंत्र रूप से मान्य वास्तविक दुनिया का मॉडल नहीं है।
अधिक जानेंडिज़ाइन द्वारा पारदर्शिता
मॉडल के बारे में
एक वास्तविक लर्निंग इंजन। इसकी सीमाओं का एक ईमानदार विवरण।
कार्यप्रणाली
फीडफॉरवर्ड मल्टीलेयर परसेप्ट्रॉन मानकीकृत अनुभव और कौशल, साथ ही वन-हॉट एनकोडेड शिक्षा, भूमिका और विभाग का उपयोग करता है। हिडन लेयर्स ReLU या tanh का उपयोग करते हैं; वेतन रिग्रेशन आउटपुट लीनियर है। MSE ग्रेडिएंट्स की गणना चेन रूल द्वारा की जाती है और Adam या minibatch SGD के साथ अनुकूलित की जाती है।
पुनरुत्पादकता और लीकेज रोकथाम
एक निश्चित सीडेड शफल परीक्षण के लिए 20% आरक्षित करता है। सत्यापन प्रशिक्षण सीड का उपयोग करके शेष रिकॉर्ड से लिया जाता है। संख्यात्मक स्केलिंग, श्रेणीबद्ध शब्दावली और लक्ष्य मानकीकरण केवल प्रशिक्षण डेटा पर फिट किए जाते हैं। अज्ञात श्रेणियां एक स्पष्ट अज्ञात स्लॉट का उपयोग करती हैं। टेस्ट डेटा का मूल्यांकन केवल अंतिम एपोक के बाद किया जाता है। आर्टिफैक्ट्स वेट्स, बायस, प्रीप्रोसेसिंग, कॉन्फ़िगरेशन और मूल्यांकन को एक साथ संग्रहीत करते हैं।
डेटा का स्रोत
शुरुआती 480 रिकॉर्ड सीड 2026 के साथ उत्पन्न पुनरुत्पादनीय सिंथेटिक उदाहरण हैं। वे वास्तविक कर्मचारी वेतन नहीं हैं और उनका कोई बाजार-मान्यता दावा नहीं है। सिंथेटिक जनरेटर एक शिक्षण डेटासेट को परिभाषित करता है; भविष्यवाणियां हमेशा प्रशिक्षित ANN से आती हैं, उस जनरेटर से नहीं। उपयोगकर्ता द्वारा अपलोड किए गए CSV डेमो को बदल देते हैं और उन्हें असत्यापित के रूप में चिह्नित किया जाता है।
सीमाएं और इच्छित उपयोग
केवल शैक्षिक अन्वेषण के लिए। भर्ती, मुआवजे के निर्णय या रोजगार स्क्रीनिंग के लिए नहीं। कोई निष्पक्षता ऑडिट, कारण विशेषता एट्रिब्यूशन, विश्वास अंतराल या बाहरी सत्यापन प्रदान नहीं किया गया है। वेतन आउटपुट नकारात्मक या अविश्वसनीय हो सकते हैं; उन्हें चुपचाप क्लिप नहीं किया जाता है। संरक्षित गुण भविष्य कहने वाले फीचर्स नहीं हैं। श्रेणियों में अभी भी सामाजिक पूर्वाग्रह हो सकते हैं।
आर्टिफैक्ट्स और स्टोरेज
सक्रिय मॉडल और छह संस्करण सारांश प्रति उपयोगकर्ता सहेजे जाते हैं। भविष्यवाणियां केवल अनुरोध पर, 500 रिकॉर्ड तक सहेजी जाती हैं। डेटासेट परिवर्तन सक्रिय मॉडल को अमान्य कर देते हैं। संग्रहीत आर्टिफैक्ट्स को लोड करने से पहले सत्यापित किया जाता है। स्टोरेज विफलताओं की रिपोर्ट की जाती है और वर्तमान सत्र उपयोग करने योग्य रहता है। इस ब्राउज़र संस्करण द्वारा कोई सर्वर या डेटाबेस प्रदान नहीं किया गया है।
सत्यापन
इंजन प्रशिक्षण से पहले परिमित अंतरों के विरुद्ध संख्यात्मक ग्रेडिएंट्स की जांच करता है। प्रशिक्षण नॉन-फाइनाइट लॉस को अस्वीकार करता है। मेट्रिक्स की गणना होल्ड-आउट टेस्ट डेटा पर मूल वार्षिक वेतन इकाइयों में की जाती है। यह पूर्ण स्वतंत्र रूप से निष्पादित स्वचालित टेस्ट सूट या प्रोडक्शन सुरक्षा समीक्षा का विकल्प नहीं है।