Scopri come esperienza, istruzione e competenze si uniscono per creare una stima salariale accurata.
Prova il flusso di stima con profili di esempio e ottieni un'analisi salariale chiara ed etichettata in pochi secondi.
Vai oltre la previsione. Esplora il processo di apprendimento.
Stima gli stipendi utilizzando le caratteristiche dei dipendenti e i pattern appresi dai dati di addestramento disponibili.
Esplora la previsione salariale →Esplora come gli input si muovono attraverso gli strati nascosti per generare una previsione salariale numerica.
Esplora la rete →Comprendi come gli errori di previsione guidino l'aggiornamento dei parametri durante l'addestramento della rete neurale.
Comprendi il processo di apprendimento →Esplora la matematica dietro il modello. Questa mappa visiva è illustrativa; l'addestramento reale avviene nel centro di addestramento del browser.
Gli input pesati più un bias formano la pre-attivazione.
Una funzione di attivazione trasforma il segnale.
La loss misura il divario tra la realtà e la stima.
La discesa del gradiente spinge i parametri verso una loss inferiore.
Esperienza, istruzione, ruolo lavorativo e competenze supportate.
Trasforma le tue risposte in un profilo chiaro che l'app possa leggere.
L'app confronta il tuo profilo con i modelli salariali appresi.
Riceverai una semplice stima salariale.
Rivedi la stima e il contesto che ne deriva.
Esplora i profili di esempio alla base dei modelli salariali. Sono segnali utili, non garanzie.
I profili di esempio sono pronti per aiutarti a esplorare i modelli salariali.
Prova una stima →Scopri quali dettagli del profilo influenzano la stima.
Confronta il tuo risultato con i profili di esempio disponibili.
Le stime dipendono dai dati di addestramento e non garantiscono un compenso.
Esplora la relazione tra esperienza, competenze e compensazione stimata attraverso l'intelligenza neurale.
Strumenti di addestramento, valutazione, dati e apprendimento si trovano qui, così l'esperienza principale relativa allo stipendio rimane semplice.
Usa quest'area di lavoro per addestrare un modello, ispezionare le prove, gestire i record e capire come funziona il motore.
Scegli un'area di lavoro specifica per il passaggio successivo.
Scegli la configurazione di apprendimento, avvia l'addestramento e salva un nuovo modello.
Apri addestramento →Controlla i grafici di valutazione e confronta il modello attivo con i suoi risultati di test.
Apri prestazioni →Ispeziona i record, importa un CSV o ripristina il dataset di esempio.
Apri dataset →Usa il laboratorio visivo e il simulatore passo-passo per comprendere il flusso di apprendimento.
Apri laboratorio di rete →Esplora le stime salariali basate su esperienza, istruzione, competenze e profili di esempio disponibili.
Esplora i profili di esempio alla base di ogni stima.
Un semplice confronto con gli esempi disponibili
Disponibile dopo una stima salvata
Profili di esempio disponibili · i pattern non sono garanzie
Una vista semplice degli approfondimenti sui profili salvati.
Aggiungi alcuni dettagli per esplorare una stima salariale personalizzata.
Aggiungi i tuoi dettagli e ottieni una stima dello stipendio in un istante.
STIMA STIPENDIO
Questa è una stima a scopo esplorativo, non una promessa di compensazione. I profili di esempio potrebbero non riflettere ogni luogo di lavoro o mercato.
Apprendimento reale basato sul gradiente, con ogni epoca contabilizzata.
Standardizzazione solo per l'addestramento + codifica one-hot. Il target dello stipendio è standardizzato; tutti gli errori riportati sono riconvertiti in unità valutarie annuali.
Avvia addestramentoConfronta solo le righe con la stessa impronta del dataset e lo stesso split di test. L'addestramento utilizza l'epoca finale, senza selezione basata sul test.
| Versione | Dataset / split | Architettura | MAE | RMSE | R² | Data |
|---|
Nessun modello salvato. Addestra la tua prima rete per vedere i risultati di valutazione reali.
Segui il segnale. Traccia il gradiente. Capisci come impara una rete.
Un calcolo scalare reale: x = 1, y = 2, ŷ = wx + b. Inizia con w = 0.5, b = 0. Questo non è il modello salariale.
Il modello salariale calcola la media degli errori quadratici per ogni batch: MSE = (1/n) Σ(yᵢ − ŷᵢ)². I gradienti fluiscono attraverso gli strati nascosti utilizzando la regola della catena.
| Anni di esperienza | Livello di istruzione | Ruolo lavorativo | Punteggio competenza | Dipartimento | Stipendio annuale |
|---|
Nessun record corrispondente.
Colonne richieste: esperienza, istruzione, ruolo, competenza, dipartimento, stipendio. Da 60 a 5.000 righe; massimo 2 MB. Esperienza: 0–40, competenza: 0–100, stipendio annuale: 1.000–100.000.000. Nessun campo mancante. Fino a 30 categorie per caratteristica categorica. Le colonne extra vengono escluse.
Usa solo dati che hai l'autorizzazione a elaborare. Non includere nomi o attributi protetti. I dati importati non sono verificati; le categorie significative e le licenze appropriate rimangono di tua responsabilità. La sostituzione del dataset invalida il modello attivo, ma conserva le previsioni storiche.
Stime salvate, i relativi input e il modello esatto utilizzato.
| ID | Data | Ruolo lavorativo | Anni di esperienza | Stipendio annuale | Versione | Azioni |
|---|
Salva una previsione dallo studio per creare la tua cronologia. Non vengono aggiunte previsioni di esempio.
Stima stipendioPreferenze di visualizzazione e informazioni trasparenti sul runtime.
Etichette della valuta, non conversione di cambio. Imposta questa opzione sulla valuta del set di dati sorgente. Le previsioni salvate mantengono la loro valuta originale.
Questa miniapp esegue una vera ANN in JavaScript, non un'API Python ospitata. L'addestramento cede il controllo al browser tra le epoche. Modelli, set di dati e cronologia utilizzano l'archiviazione per utente della piattaforma, non SQL. Non esiste un servizio esterno di dati salariali, una disponibilità di servizio garantita o un modello reale validato indipendentemente.
Scopri di piùUn vero motore di apprendimento. Un resoconto onesto dei suoi limiti.
Il percettrone multistrato feedforward utilizza esperienza e competenze standardizzate, oltre a istruzione, ruolo e dipartimento codificati tramite one-hot encoding. Gli strati nascosti utilizzano ReLU o tanh; l'output della regressione salariale è lineare. I gradienti MSE sono calcolati tramite la regola della catena e ottimizzati con Adam o minibatch SGD.
Uno shuffle con seed fisso riserva il 20% per il test. La validazione viene effettuata sui record rimanenti utilizzando il seed di addestramento. La scalatura numerica, il vocabolario categoriale e la standardizzazione del target sono adattati solo sui dati di addestramento. Le categorie sconosciute utilizzano uno slot esplicito per gli sconosciuti. I dati di test vengono valutati solo dopo l'epoca finale. Gli artefatti memorizzano insieme pesi, bias, preelaborazione, configurazione e valutazione.
I primi 480 record sono esempi sintetici riproducibili generati con il seed 2026. Non sono stipendi reali di dipendenti e non hanno alcuna pretesa di validità di mercato. Il generatore sintetico definisce un set di dati didattico; le previsioni provengono sempre dalla rete neurale artificiale (ANN) addestrata, mai da tale generatore. I caricamenti CSV dell'utente sostituiscono la demo e sono contrassegnati come non verificati.
Solo per esplorazione didattica. Non per assunzioni, decisioni retributive o screening occupazionale. Non vengono forniti audit di equità, attribuzione causale delle caratteristiche, intervalli di confidenza o validazioni esterne. I risultati salariali possono essere negativi o implausibili; non vengono tagliati silenziosamente. Gli attributi protetti non sono caratteristiche predittive. Le categorie possono comunque presentare pregiudizi sociali.
Il modello attivo e fino a sei riepiloghi delle versioni vengono salvati per utente. Le previsioni vengono salvate solo su richiesta, fino a 500 record. Le modifiche al set di dati invalidano il modello attivo. Gli artefatti memorizzati vengono validati prima del caricamento. I guasti di archiviazione vengono segnalati e la sessione corrente rimane utilizzabile. Questa edizione per browser non prevede l'uso di server o database.
Il motore controlla i gradienti numerici rispetto alle differenze finite prima dell'addestramento. L'addestramento rifiuta le perdite non finite. Le metriche sono calcolate nelle unità originali di stipendio annuale sui dati di test tenuti da parte. Questo non sostituisce una suite di test automatizzati completa ed eseguita indipendentemente o una revisione della sicurezza di produzione.
