Explore como experiência, educação e habilidades se unem para criar uma estimativa salarial detalhada.
Experimente o fluxo de estimativa com perfis de amostra e obtenha uma análise salarial clara e detalhada em segundos.
Vá além da previsão. Explore o processo de aprendizagem.
Estime salários usando características de funcionários e padrões aprendidos a partir de dados de treinamento disponíveis.
Explore a previsão salarial →Explore como as entradas movem-se através de camadas ocultas para gerar uma previsão salarial numérica.
Explore a rede →Entenda como os erros de previsão impulsionam as atualizações de parâmetros durante o treinamento de redes neurais.
Entenda o processo de aprendizagem →Explore a matemática por trás do modelo. Este mapa visual é ilustrativo; o treinamento real acontece no centro de treinamento do navegador.
Entradas ponderadas mais um viés formam a pré-ativação.
Uma função de ativação transforma o sinal.
A perda mede a lacuna entre a realidade e a estimativa.
O gradiente descendente empurra os parâmetros em direção a uma perda menor.
Experiência, educação, cargo e habilidades compatíveis.
Transforme suas respostas em um perfil claro que o aplicativo possa ler.
O aplicativo compara seu perfil com padrões salariais aprendidos.
Você recebe uma estimativa salarial simples.
Revise a estimativa e o contexto por trás dela.
Explore os perfis de exemplo por trás dos padrões salariais. Estes são sinais úteis, não garantias.
Perfis de exemplo estão prontos para ajudar você a explorar padrões salariais.
Tente uma estimativa →Veja quais detalhes do perfil moldam a estimativa.
Compare seu resultado com os perfis de amostra disponíveis.
As estimativas dependem dos dados de treinamento e não são garantias de remuneração.
Explore a relação entre experiência, habilidades e remuneração estimada através de inteligência neural.
Ferramentas de treinamento, avaliação, dados e aprendizado ficam aqui para que a experiência principal de salário permaneça simples.
Escolha um espaço de trabalho focado para a próxima etapa.
Escolha a configuração de aprendizado, inicie o treinamento e salve um novo modelo.
Abrir treinamento →Verifique os gráficos de avaliação e compare o modelo ativo com seus resultados de teste.
Abrir desempenho →Inspecione registros, importe um CSV ou restaure o conjunto de dados de amostra.
Abrir conjunto de dados →Use o laboratório visual e o simulador passo a passo para entender o fluxo de aprendizado.
Abrir laboratório de rede →Explore estimativas salariais baseadas em experiência, educação, habilidades e perfis de amostra disponíveis.
Explore os perfis de amostra por trás de cada estimativa.
Uma comparação simples com exemplos disponíveis
Disponível após uma estimativa salva
Perfis de amostra disponíveis · padrões não são garantias
Uma visualização simples das informações do seu perfil salvo.
Adicione alguns detalhes para explorar uma estimativa salarial personalizada.
Adicione seus detalhes e obtenha uma estimativa salarial em um instante.
SALÁRIO ESTIMADO
Esta é uma estimativa para exploração, não uma promessa de remuneração. Perfis de exemplo podem não refletir todos os locais de trabalho ou mercados.
Aprendizado real baseado em gradiente, com cada época contabilizada.
Compare apenas linhas com a mesma impressão digital do conjunto de dados e divisão de teste. O treinamento usa a época final, sem seleção baseada em teste.
| Versão | Conjunto de dados / divisão | Arquitetura | MAE | RMSE | R² | Data |
|---|
Nenhum modelo salvo ainda. Treine sua primeira rede para ver resultados de avaliação reais.
Siga o sinal. Rastreie o gradiente. Entenda como uma rede aprende.
Um cálculo escalar real: x = 1, y = 2, ŷ = wx + b. Começa com w = 0,5, b = 0. Este não é o modelo salarial.
O modelo salarial calcula a média dos erros quadráticos em cada lote: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Os gradientes fluem pelas camadas ocultas usando a regra da cadeia.
| Anos de experiência | Nível de escolaridade | Cargo | Pontuação de habilidade | Departamento | Salário anual |
|---|
Nenhum registro correspondente.
Colunas obrigatórias: experience, education, role, skill, department, salary. 60–5.000 linhas; máximo de 2 MB. Experiência: 0–40, habilidade: 0–100, salário anual: 1.000–100.000.000. Sem campos ausentes. Até 30 categorias por recurso categórico. Colunas extras são excluídas.
Use apenas dados que você tenha permissão para processar. Não inclua nomes ou atributos protegidos. Dados importados não são verificados; categorias significativas e licenciamento apropriado permanecem sob sua responsabilidade. Substituir o conjunto de dados invalida o modelo ativo, mas preserva as previsões históricas.
Estimativas salvas, suas entradas e o modelo exato por trás delas.
| ID | Data | Cargo | Anos de experiência | Salário anual | Versão | Ações |
|---|
Salve uma previsão do estúdio para construir seu histórico. Nenhuma previsão de exemplo foi adicionada.
Estimativa salarialPreferências de exibição e informações transparentes de execução.
Rótulos de moeda, não conversão cambial. Defina isso para a moeda do conjunto de dados de origem. Previsões salvas mantêm sua moeda original.
Este miniapp executa uma ANN JavaScript real, não uma API Python hospedada. O treinamento cede espaço ao navegador entre as épocas. Modelos, conjuntos de dados e histórico usam o armazenamento por usuário da plataforma, não SQL. Não há serviço externo de dados salariais, garantia de disponibilidade de serviço ou modelo de mundo real validado independentemente.
Saiba maisUm motor de aprendizado real. Um relato honesto de seus limites.
O perceptron multicamadas feedforward utiliza experiência e habilidade padronizadas, além de educação, cargo e departamento codificados em one-hot. As camadas ocultas usam ReLU ou tanh; a saída de regressão salarial é linear. Os gradientes MSE são computados pela regra da cadeia e otimizados com Adam ou SGD em minibatch.
Um embaralhamento com semente fixa reserva 20% para teste. A validação é extraída dos registros restantes usando a semente de treinamento. O escalonamento numérico, o vocabulário categórico e a padronização do alvo são ajustados apenas nos dados de treinamento. Categorias desconhecidas usam um slot explícito de desconhecido. Os dados de teste são avaliados apenas após a época final. Os artefatos armazenam pesos, vieses, pré-processamento, configuração e avaliação juntos.
Os 480 registros iniciais são exemplos sintéticos reproduzíveis gerados com a semente 2026. Eles não são salários reais de funcionários e não possuem reivindicação de validade de mercado. O gerador sintético define um conjunto de dados de ensino; as previsões vêm sempre da ANN treinada, nunca desse gerador. Uploads de CSV do usuário substituem a demonstração e são marcados como não verificados.
Apenas para exploração educacional. Não serve para contratações, decisões de remuneração ou triagem de emprego. Não é fornecida auditoria de equidade, atribuição de características causais, intervalo de confiança ou validação externa. As saídas de salário podem ser negativas ou implausíveis; elas não são cortadas silenciosamente. Atributos protegidos não são características preditivas. As categorias ainda podem carregar vieses sociais.
O modelo ativo e até seis resumos de versão são salvos por usuário. As previsões são salvas apenas sob solicitação, até 500 registros. Alterações no conjunto de dados invalidam o modelo ativo. Artefatos armazenados são validados antes do carregamento. Falhas de armazenamento são relatadas e a sessão atual permanece utilizável. Nenhum servidor ou banco de dados é provisionado por esta edição de navegador.
O motor verifica gradientes numéricos contra diferenças finitas antes do treinamento. O treinamento rejeita perdas não finitas. As métricas são computadas nas unidades originais de salário anual nos dados de teste reservados. Isso não substitui um conjunto de testes automatizados executado independentemente ou uma revisão de segurança de produção.
