Dowiedz się, jak doświadczenie, wykształcenie i umiejętności łączą się, tworząc przemyślaną szacunkową wartość wynagrodzenia.
Wypróbuj proces wyceny na przykładowych profilach i w kilka sekund uzyskaj przejrzyste, opisane informacje o wynagrodzeniu.
Wyjdź poza samą predykcję. Poznaj proces uczenia.
Szacuj wynagrodzenia, wykorzystując cechy pracowników i wzorce wyuczone z dostępnych danych treningowych.
Eksploruj predykcję wynagrodzeń →Sprawdź, jak dane wejściowe przechodzą przez warstwy ukryte, aby wygenerować numeryczną predykcję wynagrodzenia.
Eksploruj sieć →Dowiedz się, w jaki sposób błędy predykcji napędzają aktualizację parametrów podczas trenowania sieci neuronowej.
Zrozum proces uczenia →Poznaj matematykę stojącą za modelem. Ta wizualna mapa ma charakter ilustracyjny; rzeczywisty trening odbywa się w centrum treningowym przeglądarki.
Ważone wejścia wraz z obciążeniem (bias) tworzą preaktywację.
Funkcja aktywacji przekształca sygnał.
Strata mierzy lukę między rzeczywistością a szacunkiem.
Gradient descent przesuwa parametry w stronę niższej straty.
Doświadczenie, wykształcenie, stanowisko i posiadane umiejętności.
Zamień swoje odpowiedzi w przejrzysty profil, który aplikacja będzie mogła odczytać.
Aplikacja porównuje Twój profil z wyuczonymi wzorcami wynagrodzeń.
Otrzymasz prostą szacunkową wycenę wynagrodzenia.
Przejrzyj szacunek oraz kontekst, który za nim stoi.
Przejrzyj przykładowe profile stojące za wzorcami wynagrodzeń. Są to pomocne sygnały, a nie gwarancje.
Przykładowe profile są gotowe, aby pomóc Ci odkryć wzorce wynagrodzeń.
Wypróbuj szacowanie →Zobacz, które szczegóły profilu wpływają na wycenę.
Porównaj swój wynik z dostępnymi przykładowymi profilami.
Wyceny zależą od danych treningowych i nie stanowią gwarancji wynagrodzenia.
Odkryj związek między doświadczeniem, umiejętnościami a szacowanym wynagrodzeniem dzięki inteligencji neuronowej.
Narzędzia do trenowania, ewaluacji, danych i uczenia znajdują się tutaj, aby główne doświadczenie związane z wynagrodzeniami pozostało proste.
Użyj tego obszaru roboczego, aby wytrenować model, sprawdzić dowody, zarządzać rekordami i dowiedzieć się, jak działa silnik.
Wybierz dedykowaną przestrzeń roboczą dla następnego kroku.
Wybierz konfigurację uczenia, rozpocznij trenowanie i zapisz nowy model.
Otwórz trenowanie →Sprawdź wykresy ewaluacji i porównaj aktywny model z jego wynikami testów.
Otwórz wydajność →Przeglądaj rekordy, importuj plik CSV lub przywróć przykładowy zbiór danych.
Otwórz zestaw danych →Użyj wizualnego laboratorium i symulatora krok po kroku, aby zrozumieć proces uczenia.
Otwórz laboratorium sieciowe →Odkrywaj szacunki wynagrodzeń opracowane na podstawie doświadczenia, wykształcenia, umiejętności i dostępnych przykładowych profili.
Przejrzyj przykładowe profile, na których opierają się szacunki.
Proste porównanie z dostępnymi przykładami
Dostępne po zapisaniu szacunku
Dostępne profile z próbek · wzorce nie są gwarancją
Prosty widok zapisanych informacji o profilach.
Dodaj kilka szczegółów, aby sprawdzić spersonalizowany szacunek wynagrodzenia.
Dodaj swoje dane i w mgnieniu oka otrzymaj szacunek wynagrodzenia.
SZACUNKOWE WYNAGRODZENIE
Jest to szacunek służący orientacji, a nie obietnica wynagrodzenia. Przykładowe profile mogą nie odzwierciedlać każdego miejsca pracy lub rynku.
Prawdziwe uczenie oparte na gradiencie, z uwzględnieniem każdej epoki.
Standaryzacja tylko dla trenowania + kodowanie one-hot. Cel wynagrodzenia jest standaryzowany; wszystkie raportowane błędy są przeliczane z powrotem na roczne jednostki walutowe.
Rozpocznij trenowaniePorównuj tylko wiersze z tym samym odciskiem palca zbioru danych i podziałem testowym. Trening wykorzystuje ostatnią epokę, bez selekcji opartej na testach.
| Wersja | Zbiór danych / podział | Architektura | MAE | RMSE | R² | Data |
|---|
Brak zapisanych modeli. Wytrenuj swoją pierwszą sieć, aby zobaczyć rzeczywiste wyniki ewaluacji.
Śledź sygnał. Trop gradient. Zrozum, jak uczy się sieć.
Rzeczywiste obliczenie skalarne: x = 1, y = 2, ŷ = wx + b. Zaczyna od w = 0.5, b = 0. To nie jest model wynagrodzeń.
Model wynagrodzeń uśrednia błędy kwadratowe dla każdej partii: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Gradienty przepływają przez warstwy ukryte zgodnie z regułą łańcuchową.
| Lata doświadczenia | Poziom wykształcenia | Stanowisko | Wynik umiejętności | Dział | Roczna pensja |
|---|
Brak pasujących rekordów.
Wymagane kolumny: experience, education, role, skill, department, salary. Od 60 do 5 000 wierszy; maksymalnie 2 MB. Experience: 0–40, skill: 0–100, roczna pensja: 1 000–100 000 000. Brak brakujących pól. Do 30 kategorii na cechę kategoryczną. Dodatkowe kolumny zostaną pominięte.
Używaj tylko danych, do których przetwarzania masz uprawnienia. Nie podawaj imion ani atrybutów chronionych. Zaimportowane dane nie są zweryfikowane; odpowiedzialność za sensowne kategorie i odpowiednie licencjonowanie spoczywa na Tobie. Zastąpienie zbioru danych unieważnia aktywny model, ale zachowuje historyczne prognozy.
Zapisane szacunki, ich dane wejściowe oraz dokładny model, na których bazowały.
| ID | Data | Stanowisko | Lata doświadczenia | Roczna pensja | Wersja | Akcje |
|---|
Zapisz predykcję z studia, aby budować historię. Przykładowe predykcje nie zostały dodane.
Szacowanie wynagrodzeniaPreferencje wyświetlania i przejrzyste informacje o środowisku uruchomieniowym.
Etykiety walut, a nie przeliczenie kursów walut. Ustaw tę wartość na walutę zestawu danych źródłowych. Zapisane prognozy zachowują swoją oryginalną walutę.
Ta miniaplikacja uruchamia rzeczywistą sieć neuronową ANN w JavaScript, a nie hostowane API Python. Trening ustępuje przeglądarce pomiędzy epokami. Modele, zbiory danych i historia korzystają z pamięci użytkownika na platformie, a nie z SQL. Nie istnieje zewnętrzna usługa danych o wynagrodzeniach, gwarantowana dostępność usługi ani niezależnie zweryfikowany model rzeczywisty.
Dowiedz się więcejPrawdziwy silnik uczenia. Szczery opis jego ograniczeń.
Wielowarstwowy perceptron przedni wykorzystuje zestandaryzowane doświadczenie i umiejętności oraz kodowanie one-hot dla wykształcenia, roli i działu. Warstwy ukryte wykorzystują ReLU lub tanh; wyjście regresji wynagrodzeń jest liniowe. Gradienty MSE są obliczane zgodnie z regułą łańcuchową i optymalizowane za pomocą Adam lub minibatch SGD.
Stałe przetasowanie z ziarnem rezerwuje 20% danych do testów. Walidacja jest pobierana z pozostałych rekordów przy użyciu ziarna treningowego. Skalowanie numeryczne, słownik kategorii i standaryzacja celu są dopasowywane wyłącznie na danych treningowych. Nieznane kategorie wykorzystują jawny slot dla wartości nieznanych. Dane testowe są oceniane dopiero po ostatniej epoce. Artefakty przechowują wspólnie wagi, obciążenia, preprocessing, konfigurację i ewaluację.
Pierwsze 480 rekordów to odtwarzalne syntetyczne przykłady wygenerowane z ziarnem 2026. Nie są to prawdziwe wynagrodzenia pracowników i nie stanowią one wiarygodnych danych rynkowych. Generator syntetyczny definiuje zbiór danych do nauki; prognozy zawsze pochodzą z wytrenowanej sieci ANN, nigdy z tego generatora. Przesłane przez użytkownika pliki CSV zastępują dane demonstracyjne i są oznaczane jako niezweryfikowane.
Wyłącznie do celów edukacyjnych. Nie służy do rekrutacji, podejmowania decyzji o wynagrodzeniach ani weryfikacji zatrudnienia. Nie zapewniono audytu sprawiedliwości, przyczynowej atrybucji cech, przedziałów ufności ani zewnętrznej walidacji. Wyniki wynagrodzeń mogą być ujemne lub nieprawdopodobne; nie są one automatycznie przycinane. Atrybuty chronione nie są cechami predykcyjnymi. Kategorie mogą nadal zawierać uprzedzenia społeczne.
Aktywny model oraz do sześciu podsumowań wersji są zapisywane dla każdego użytkownika. Prognozy są zapisywane tylko na żądanie, do 500 rekordów. Zmiany w zbiorze danych unieważniają aktywny model. Przechowywane artefakty są walidowane przed załadowaniem. Błędy zapisu są zgłaszane, a bieżąca sesja pozostaje użyteczna. Ta edycja przeglądarkowa nie korzysta z serwera ani bazy danych.
Silnik sprawdza gradienty numeryczne względem różnic skończonych przed treningiem. Trening odrzuca nieskończone wartości straty. Metryki są obliczane w oryginalnych jednostkach rocznego wynagrodzenia na wydzielonych danych testowych. Nie zastępuje to pełnego, niezależnie wykonanego zestawu testów automatycznych ani przeglądu bezpieczeństwa produkcyjnego.
