Узнайте, как опыт, образование и навыки объединяются для создания продуманной оценки зарплаты.
Попробуйте процесс оценки на примере профилей и получите четкий, детализированный анализ зарплаты за считанные секунды.
Больше, чем просто прогноз. Исследуйте процесс обучения.
Оценивайте зарплаты, используя характеристики сотрудников и закономерности, извлеченные из доступных обучающих данных.
Исследовать прогноз зарплаты →Узнайте, как входные данные проходят через скрытые слои для генерации числового прогноза зарплаты.
Исследовать сеть →Узнайте, как ошибки прогнозирования определяют обновление параметров при обучении нейронной сети.
Понять процесс обучения →Изучите математику, лежащую в основе модели. Эта визуальная карта носит иллюстративный характер; реальное обучение происходит в центре обучения в браузере.
Взвешенные входные данные плюс смещение формируют преактивацию.
Функция активации преобразует сигнал.
Потери измеряют разрыв между реальностью и оценкой.
Градиентный спуск подталкивает параметры в сторону уменьшения потерь.
Опыт, образование, должность и поддерживаемые навыки.
Превратите свои ответы в четкий профиль, который сможет прочитать приложение.
Приложение сравнивает ваш профиль с изученными паттернами зарплат.
Вы получаете простую оценку зарплаты.
Изучите оценку и контекст, на котором она основана.
Изучите примерные профили, лежащие в основе закономерностей зарплат. Это полезные сигналы, а не гарантии.
Примерные профили готовы, чтобы помочь вам изучить закономерности зарплат.
Попробовать расчет →Узнайте, какие детали профиля влияют на оценку.
Сравните свой результат с доступными примерами профилей.
Оценки зависят от обучающих данных и не являются гарантированным размером компенсации.
Исследуйте взаимосвязь между опытом, навыками и расчетным вознаграждением с помощью нейронного интеллекта.
Инструменты обучения, оценки, данные и изучения находятся здесь, чтобы основной интерфейс расчета зарплат оставался простым.
Используйте это рабочее пространство, чтобы обучить модель, изучить доказательства, управлять записями и понять, как работает движок.
Выберите специализированное рабочее пространство для следующего шага.
Выберите настройки обучения, запустите процесс и сохраните новую модель.
Открыть обучение →Проверьте графики оценки и сравните активную модель с результатами тестирования.
Открыть производительность →Просматривайте записи, импортируйте CSV или восстановите пример набора данных.
Открыть набор данных →Используйте визуальную лабораторию и пошаговый симулятор, чтобы понять процесс обучения.
Открыть лабораторию сетей →Изучайте оценки зарплат, основанные на опыте, образовании, навыках и доступных примерах профилей.
Изучите примеры профилей, на которых основана каждая оценка.
Простое сравнение с доступными примерами
Доступно после сохранения оценки
Доступные примеры профилей · закономерности не являются гарантией
Простой обзор сохраненных данных вашего профиля.
Добавьте несколько деталей, чтобы получить персонализированную оценку зарплаты.
Добавьте свои данные и мгновенно получите оценку зарплаты.
ОРИЕНТИРОВОЧНАЯ ЗАРПЛАТА
Это ориентировочная оценка для ознакомления, а не гарантия оплаты. Примеры профилей могут не отражать ситуацию на каждом рабочем месте или рынке.
Настоящее градиентное обучение, где учитывается каждая эпоха.
Стандартизация только для обучения + one-hot кодирование. Целевой показатель зарплаты стандартизирован; все отчетные ошибки конвертированы обратно в единицы годовой валюты.
Начать обучениеСравнивайте только строки с одинаковым отпечатком набора данных и тестовым разделением. Обучение использует последнюю эпоху без выбора на основе теста.
| Версия | Набор данных / сплит | Архитектура | MAE | RMSE | R² | Дата |
|---|
Сохраненных моделей пока нет. Обучите свою первую сеть, чтобы увидеть реальные результаты оценки.
Следите за сигналом. Отслеживайте градиент. Поймите, как учится сеть.
Реальный скалярный расчет: x = 1, y = 2, ŷ = wx + b. Начинается с w = 0.5, b = 0. Это не модель зарплат.
Модель зарплат усредняет квадраты ошибок по каждому пакету: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Градиенты проходят через скрытые слои по правилу цепочки.
| Стаж работы (лет) | Уровень образования | Должность | Оценка навыка | Департамент | Годовой оклад |
|---|
Совпадений не найдено.
Обязательные столбцы: experience, education, role, skill, department, salary. От 60 до 5 000 строк; максимум 2 МБ. Опыт: 0–40, навык: 0–100, годовая зарплата: 1 000–100 000 000. Пустые поля недопустимы. До 30 категорий для каждого категориального признака. Лишние столбцы игнорируются.
Используйте только те данные, на обработку которых у вас есть разрешение. Не указывайте имена или защищенные атрибуты. Импортированные данные не проверены; ответственность за корректность категорий и соответствующее лицензирование лежит на вас. Замена набора данных аннулирует активную модель, но сохраняет историю прогнозов.
Сохраненные оценки, их входные данные и конкретные модели, на которых они основаны.
| ID | Дата | Должность | Стаж работы (лет) | Годовой оклад | Версия | Действия |
|---|
Сохраните прогноз из студии, чтобы создать историю. Примеры прогнозов не добавляются.
Оценка зарплатыНастройки отображения и прозрачная информация о среде выполнения.
Метки валют, а не конвертация валют. Установите валюту исходного набора данных. Сохраненные прогнозы сохраняют свою исходную валюту.
Это мини-приложение запускает реальную нейронную сеть (ANN) на JavaScript, а не хостинг-API на Python. Обучение уступает управление браузеру между эпохами. Модели, наборы данных и история используют пользовательское хранилище платформы, а не SQL. Внешний сервис данных о зарплатах, гарантия доступности сервиса или независимо подтвержденная реальная модель отсутствуют.
Узнать большеНастоящий движок обучения. Честный отчет о его ограничениях.
Многослойный перцептрон прямого распространения использует стандартизированный опыт и навыки, а также one-hot кодирование образования, роли и отдела. Скрытые слои используют ReLU или tanh; выход регрессии зарплаты является линейным. Градиенты MSE вычисляются по правилу цепочки и оптимизируются с помощью Adam или minibatch SGD.
Перемешивание с фиксированным сидом резервирует 20% данных для тестирования. Валидация осуществляется из оставшихся записей с использованием сида обучения. Числовое масштабирование, словарь категорий и стандартизация целевой переменной подбираются только на обучающих данных. Для неизвестных категорий используется специальный слот «unknown». Тестовые данные оцениваются только после последней эпохи. Артефакты совместно хранят веса, смещения, предобработку, конфигурацию и результаты оценки.
Первые 480 записей являются воспроизводимыми синтетическими примерами, сгенерированными с использованием сида 2026. Это не реальные зарплаты сотрудников, и они не претендуют на рыночную достоверность. Синтетический генератор определяет обучающий набор данных; прогнозы всегда поступают от обученной ИНС, а не от этого генератора. Загруженные пользователем CSV-файлы заменяют демо-данные и помечаются как непроверенные.
Только для образовательных целей. Не предназначено для найма, принятия решений о компенсации или проверки при трудоустройстве. Аудит справедливости, причинно-следственный анализ признаков, доверительный интервал или внешняя валидация не предоставляются. Результаты расчета зарплаты могут быть отрицательными или невероятными; они не обрезаются автоматически. Защищенные атрибуты не являются прогнозными признаками. Категории все еще могут содержать социальные предубеждения.
Активная модель и до шести сводок версий сохраняются для каждого пользователя. Прогнозы сохраняются только по запросу, до 500 записей. Изменения в наборе данных аннулируют активную модель. Сохраненные артефакты проверяются перед загрузкой. Ошибки хранилища сообщаются пользователю, при этом текущая сессия остается доступной. В данной браузерной версии сервер или база данных не предусмотрены.
Движок проверяет численные градиенты с помощью конечных разностей перед обучением. Обучение отклоняет бесконечные значения потерь. Метрики вычисляются в исходных единицах годовой зарплаты на отложенных тестовых данных. Это не заменяет полноценный независимо выполненный набор автоматизированных тестов или проверку безопасности для промышленной эксплуатации.
