【基于BP神經(jīng)網(wǎng)絡(luò)的IT企業(yè)的技術(shù)型人才薪資福利分析案例6600字】

基于BP神經(jīng)網(wǎng)絡(luò)的IT企業(yè)的技術(shù)型人才薪資福利分析案例目錄TOC\o"1-3"\h\u30818基于BP神經(jīng)網(wǎng)絡(luò)的IT企業(yè)的技術(shù)型人才薪資福利分析案例 191571.1BP神經(jīng)網(wǎng)絡(luò)的概念與基本原理 1161801.1.1模型的結(jié)構(gòu)與特點 1136511.1.2參數(shù)選取方法 2220491.2BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建及參數(shù)選取 453511.3BP神經(jīng)網(wǎng)絡(luò)模型的解釋 7135591.3.1影響因素的重要性測度 7163371.3.2專業(yè)技能之間的關(guān)聯(lián)分析 875751.3.3不同工作類別的薪資福利預(yù)測 101.1BP神經(jīng)網(wǎng)絡(luò)的概念與基本原理BP(backpropagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP算法的基本思想是梯度下降。它使用梯度搜索技術(shù)來最小化網(wǎng)絡(luò)實際輸出和預(yù)期輸出之間的均方誤差。BP網(wǎng)絡(luò)主要用于以下四個方面：函數(shù)逼近、模式識別、分類、數(shù)據(jù)壓縮。1.1.1模型的結(jié)構(gòu)與特點BP網(wǎng)絡(luò)在輸入和輸出層之間添加了幾層神經(jīng)元（即隱層），它們不直接與外界連接，但是狀態(tài)的變化會影響輸入與輸出的關(guān)系，每層可以包含多個節(jié)點。其中，隱層通常包含一層，兩層或三層。由于超過三層隱層的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時容易出現(xiàn)局部較小的問題，進(jìn)而導(dǎo)致模型的局部過擬合，最終影響模型效果，因此在分析時很少使用。圖1.1是一個包含3個輸入節(jié)點、3個輸出節(jié)點、一層隱層，且隱層中包含3個隱層節(jié)點的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)樣例圖。圖1.1一層隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)樣例圖BP神經(jīng)網(wǎng)絡(luò)中采用的傳遞函數(shù)是Sigmoid函數(shù)（又稱S函數(shù)），它屬于非線性變換函數(shù)，即輸入層和輸出層之間是非線性的映射關(guān)系。假設(shè)有N個輸入節(jié)點，M個輸出節(jié)點，該網(wǎng)絡(luò)的含義是指從N維歐氏空間到M維歐氏空間的映射，其中，S函數(shù)的公式為：fx=1994年，石山銘和劉豹[42]已經(jīng)證明神經(jīng)網(wǎng)絡(luò)建模工作量小、方法靈活且實用、結(jié)構(gòu)穩(wěn)定，因此適合做多變量預(yù)測,。BP神經(jīng)網(wǎng)絡(luò)具有分布式信息存儲、可大規(guī)模并行處理、學(xué)習(xí)能力和對復(fù)雜環(huán)境的適應(yīng)能力強(qiáng)、容錯性和魯棒性強(qiáng)等特點，因此對多變量綜合預(yù)測具有更好的表現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射功能和靈活的網(wǎng)絡(luò)結(jié)構(gòu)，在神經(jīng)網(wǎng)絡(luò)的理論層面和性能方面的表現(xiàn)相對成熟。針對不同類別的情況，可以按照需求設(shè)置網(wǎng)絡(luò)中間層和每層包含的神經(jīng)元的個數(shù)，結(jié)構(gòu)不同將會影響其性能。但是，BP神經(jīng)網(wǎng)絡(luò)也具有以下主要缺陷：這些主要反映在學(xué)習(xí)速度慢，傾向于局部極小值，缺乏選擇網(wǎng)絡(luò)層數(shù)和神經(jīng)元數(shù)量的相應(yīng)理論指導(dǎo)上，并且網(wǎng)絡(luò)推廣能力有限。1.1.2參數(shù)選取方法已有研究中尚未形成成熟的方法來準(zhǔn)確選取BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，僅能根據(jù)經(jīng)驗公式來計算各個參數(shù)的大概范圍，并通過多次實驗后在某個特定范圍內(nèi)逐一調(diào)整參數(shù)取值，同時依據(jù)模型的驗證結(jié)果來判斷參數(shù)是否仍需要調(diào)整。輸入層、輸出層節(jié)點數(shù)BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層中包含的節(jié)點數(shù)一般取決于研究內(nèi)容的具體需求，若它是作為分類器來使用，其類別數(shù)為m，那么輸入層中包含的節(jié)點數(shù)一般為m，當(dāng)訓(xùn)練樣本集中的某個值屬于第j類，則要求輸出為第j個輸出為1，其他輸出為0。輸出層的節(jié)點可以根據(jù)類別來進(jìn)行編碼，即類別為m的輸出層只要用log2輸入層中包含的節(jié)點數(shù)也可以依據(jù)所需解決的問題類型及數(shù)據(jù)的表示方式來確定。如果輸入層中的X是圖像，則輸入層中的神經(jīng)元是圖像或已處理圖像中的特征數(shù)量。換言之，一旦確定了要解決的問題，就可以在此基礎(chǔ)上確定輸入和輸出層中包含的節(jié)點數(shù)量。隱層非線性映射函數(shù)是BP神經(jīng)網(wǎng)絡(luò)的最重要特征。Lippmann在1987年提出觀點：當(dāng)一個神經(jīng)網(wǎng)絡(luò)具有兩個隱藏層時，它適合解決任意類型的分類問題。然后，羅伯特·赫希特·尼爾森（RobortHecht-iNelson）在基于數(shù)學(xué)上Weierstrass的兩個逼近定理，并于1989年證明封閉區(qū)間的所有連續(xù)函數(shù)都能利用具有隱層的BP神經(jīng)網(wǎng)絡(luò)來逼近。這表明在實際應(yīng)用中，選擇一個三層BP神經(jīng)網(wǎng)絡(luò)便可以實現(xiàn)任意的n維到m維的映射。雖然具有更多隱藏層的BP神經(jīng)網(wǎng)絡(luò)通常具有更好的擬合效果，但隱層數(shù)量的增加會導(dǎo)致該模型的訓(xùn)練時間和復(fù)雜程度增加。因此需綜合考量個方面因素，并不一定隱層層數(shù)越多越好。隱層節(jié)點數(shù)隱層節(jié)點的數(shù)量主要取決于輸入層節(jié)點的數(shù)量和輸出層節(jié)點的數(shù)量。對于單個隱層的BP神經(jīng)網(wǎng)絡(luò)，有幾種經(jīng)驗公式通常用于計算隱藏層節(jié)點的數(shù)量：k<in其中，k為樣本數(shù)；nl為隱層中包含的單元個數(shù)，n為輸入層中包含的神經(jīng)元個數(shù)，當(dāng)i>nnl=其中，m為輸出層中包含的神經(jīng)元個數(shù)；n為輸入層中包含的神經(jīng)元個數(shù)；α是取自[1,10]之間的常數(shù)。（3）nl=其中，n為輸入層中包含的神經(jīng)元個數(shù)。對隱層個數(shù)為2的BP神經(jīng)網(wǎng)絡(luò)，第一個隱層的節(jié)點數(shù)可以利用公式5-2、5-3和5-4計算，第二層隱層至少有2個隱層節(jié)點，在這個基礎(chǔ)上，第一層多增加一個隱層節(jié)點，第二層則需增加2x2，當(dāng)x=1時2x+1，當(dāng)x>1時一般情況下，首先根據(jù)上述經(jīng)驗公式來計算隱層節(jié)點數(shù)的大致范圍，然后在多次實驗中連續(xù)改變參數(shù)值以確定隱藏層節(jié)點數(shù)找到最佳的層節(jié)點數(shù)。初始權(quán)重值若網(wǎng)絡(luò)權(quán)值是一個常數(shù)，那么各個處理單元計算的輸出值之間將不存在差異，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)無法正常訓(xùn)練，因此為了避免此情況出現(xiàn)，習(xí)慣性地將網(wǎng)絡(luò)權(quán)值的初始值定為隨機(jī)數(shù)，且該隨機(jī)數(shù)通常服從均值為0，取值范圍為[-0.5，0.5]之間的正態(tài)分布。學(xué)習(xí)率因子α實質(zhì)上，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是一個調(diào)整網(wǎng)絡(luò)權(quán)重的過程，也可以理解為是超平面逐漸向正確位置逼近的過程，且每次的移動距離是由學(xué)習(xí)率決定的。在模型訓(xùn)練的過程中，學(xué)習(xí)率α過小或過大都會對該模型的訓(xùn)練結(jié)果和準(zhǔn)確度產(chǎn)生較大影響。其中，學(xué)習(xí)率α過大容易導(dǎo)致該網(wǎng)絡(luò)的操作過程不夠穩(wěn)定，相反，學(xué)習(xí)率α過小也同樣會產(chǎn)生不利影響，即達(dá)到預(yù)期目標(biāo)的訓(xùn)練時間更長。因此，學(xué)習(xí)率α需要取一個與模型匹配的合適的值，通常情況下將學(xué)習(xí)率α設(shè)置在[0.7,0.9]范圍之內(nèi)。動量因子β在BP神經(jīng)網(wǎng)絡(luò)中，在誤差平面屬于平坦區(qū)域的狀態(tài)時，需要引入沖量項來加快該模型的學(xué)習(xí)速度。訓(xùn)練模型的過程中，當(dāng)模型梯度變化較小時，會自動將前一時刻的網(wǎng)絡(luò)權(quán)值調(diào)整量再調(diào)整倍，目的是使其可以平滑學(xué)習(xí)過程中網(wǎng)絡(luò)權(quán)值的隨機(jī)更新，進(jìn)而增強(qiáng)網(wǎng)絡(luò)的穩(wěn)定性，同時加快模型的學(xué)習(xí)速度。1.2BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建及參數(shù)選取根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特點以及人才需求特征的分析維度，本研究在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的過程中對部分變量作了相應(yīng)的調(diào)整。觀察所獲得的招聘信息可以了解到，IT企業(yè)提供的福利內(nèi)容多種多樣，包括五險一金、節(jié)假日福利、帶薪年假、定期體檢、周六周日雙休、彈性工作、交通補(bǔ)貼、員工旅游、餐飲補(bǔ)貼、通訊補(bǔ)貼、績效獎金、股票期權(quán)等，這些福利沒有統(tǒng)一的量化標(biāo)準(zhǔn)，因此難以量化參與建模分析，本研究選用提供的福利個數(shù)來代表福利情況。在此基礎(chǔ)上，可以將最低薪資和福利個數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸出變量。該模型的輸入變量除了前文所提及的工作類別、工作地點、最低學(xué)歷要求和工作經(jīng)驗要求之外，還將工作性質(zhì)變量作為輸入變量加入其中。其中，工作性質(zhì)分為“全職”、“兼職”和“實習(xí)”三種。因此，本章旨在探究各輸入變量之間的關(guān)系及它們對薪資福利的影響。首先，通過前文分析所得的結(jié)論可以看出，東北與東南地區(qū)的IT企業(yè)對技術(shù)型人才的需求量和最低學(xué)歷、工作經(jīng)驗等工作要求方面均存在一定的差異，而相同地區(qū)的不同省市之間差異相對較小，因此為了提高模型的訓(xùn)練速度和質(zhì)量，決定將工作地點的數(shù)據(jù)轉(zhuǎn)化為“東北地區(qū)”、“東南地區(qū)”新變量“工作地區(qū)_劃分”的取值，該新變量將代替“工作地點”參與BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練。另外，根據(jù)前文所構(gòu)建的職位專業(yè)技能詞典，選取“Java”、“HTML”、“JavaScript”、“CSS”等40個關(guān)鍵詞詞頻最高的專業(yè)技能作為輸入變量，其取值均為0或1。其中，取值為0表示該職位描述中未提及對該技術(shù)的要求，取值為1則表示該職位描述中提出了對該技術(shù)的要求。接著，為了確定BP神經(jīng)網(wǎng)絡(luò)的輸出變量，通過計算兩者的皮爾遜相關(guān)系數(shù)，對職位描述中的最低月薪與福利個數(shù)進(jìn)行相關(guān)性分析，結(jié)果顯示最低月薪與福利個數(shù)的相關(guān)系數(shù)為0.12，明顯接近于0，這表明兩個變量之間并不存在明顯的相關(guān)性，因此可以將這兩個變量同時作為輸出變量加入BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建。分別繪制最低月薪和福利個數(shù)的頻數(shù)分布直方圖，并觀察兩個變量的數(shù)據(jù)分布情況，結(jié)果如圖1.2所示。圖1.2最低月薪和福利個數(shù)的頻數(shù)分布直方圖觀察圖5-2中可以了解到，最低月薪和福利個數(shù)均呈現(xiàn)出比較明顯的偏態(tài)分布。為了提高模型質(zhì)量，考慮對最低月薪和福利個數(shù)進(jìn)行以10為底的對數(shù)變換，以此生成新變量“l(fā)og最低月薪”和“l(fā)og福利個數(shù)”，并使用變換后的兩個變量作為輸出變量參與構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。為了保證后期可以對模型質(zhì)量進(jìn)行有效驗證，在開始訓(xùn)練所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型前，按照3:1的比例將所有數(shù)據(jù)隨機(jī)分配到訓(xùn)練集和測試集中，其中訓(xùn)練集中的數(shù)據(jù)是用來訓(xùn)練模型的，在訓(xùn)練結(jié)束后，分別利用訓(xùn)練集和測試集的數(shù)據(jù)來驗證模型質(zhì)量。根據(jù)前文介紹可以了解到，目前仍然缺乏可靠的方法來精確計算BP神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)值，而是先利用經(jīng)驗公式計算出各個參數(shù)的大概范圍，然后通過多次試驗、對比模型驗證結(jié)果，不斷調(diào)整模型參數(shù)直至最后確定其取值。本研究是在查閱大量相關(guān)資料的基礎(chǔ)上，通過對比已有研究的模型訓(xùn)練結(jié)果，確定了各參數(shù)的大致范圍，并經(jīng)過多次試驗，綜合衡量各個模型的擬合結(jié)果及訓(xùn)練所需時間，最終選取了一個包含一層具有18個節(jié)點的隱層、動量因子β為0.7、初始學(xué)習(xí)率為0.3、學(xué)習(xí)率α的取值范圍為[0.01,0.30]的BP神經(jīng)網(wǎng)絡(luò)模型作為本研究的模型，該模型的基本信息如表1.1所示。表1.1BP神經(jīng)網(wǎng)絡(luò)模型基本信息估計的準(zhǔn)確性90.413輸入層74個神經(jīng)元隱藏層118個神經(jīng)元輸出層2個神經(jīng)元分析表1.1中可以得到，該BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果較好，準(zhǔn)確度為90.413%，這表明對該模型的訓(xùn)練結(jié)果比較滿意。在初步判斷所構(gòu)建的模型性能較好的基礎(chǔ)上，為了獲取最終選取的BP神經(jīng)網(wǎng)絡(luò)模型性能的精確結(jié)果，將訓(xùn)練集和測試集的數(shù)據(jù)帶入模型，得到的計算結(jié)果如表1.2所示。表1.2BP神經(jīng)網(wǎng)絡(luò)模型性能測試數(shù)據(jù)結(jié)果最低月薪福利個數(shù)1_訓(xùn)練2_測試1_訓(xùn)練2_測試平均誤差0.0090.0090.0000.000絕對平均誤差0.1510.1510.2270.229標(biāo)準(zhǔn)差0.2180.2150.3080.307發(fā)生率334164143523334164143523觀察表1.2中的數(shù)據(jù)可以看到，最終確定的BP神經(jīng)網(wǎng)絡(luò)模型在最低月薪和福利個數(shù)的綜合預(yù)測方面表現(xiàn)較好。其中，最低月薪在訓(xùn)練集和測試集之間的平均誤差僅為0.009，絕對平均誤差僅為0.151，福利個數(shù)在訓(xùn)練集和測試集中的平均誤差均小于0.001，絕對平均誤差均不超過0.230，這說明本研究所選取的模型的擬合效果較符合預(yù)期效果。綜合分析以上結(jié)果可以發(fā)現(xiàn)，訓(xùn)練集和測試集的各指標(biāo)數(shù)據(jù)均較為接近，這表明該模型的穩(wěn)定性較高，且沒有出現(xiàn)過度擬合現(xiàn)象。因此，可以認(rèn)為最終選取的BP神經(jīng)網(wǎng)絡(luò)模型比較符合預(yù)期，適合作為后續(xù)分析的工具繼續(xù)運用。1.3BP神經(jīng)網(wǎng)絡(luò)模型的解釋在選定并訓(xùn)練完成BP神經(jīng)網(wǎng)絡(luò)模型之后，需結(jié)合本研究的特點進(jìn)一步解釋和分析該模型，本節(jié)將利用所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型深入探究各個因素之間的關(guān)系及其對薪資福利的綜合影響。1.3.1影響因素的重要性測度首先，利用分析軟件計算出BP神經(jīng)網(wǎng)絡(luò)模型中各個變量的重要性，即工作地點、最低學(xué)歷要求、工作經(jīng)驗要求、工作性質(zhì)、工作類別、工作地區(qū)_劃分及40個高頻的專業(yè)技能關(guān)鍵詞，按照各變量的重要性從小到大排序并列表展示，結(jié)果如表1.3所示。表1.3BP神經(jīng)網(wǎng)絡(luò)模型各變量重要性測度序號節(jié)點重要性（%）序號節(jié)點重要性（%）1工作經(jīng)驗要求7.4324編輯1.802最低學(xué)歷要求7.2825IOS1.793工作性質(zhì)6.3526C++1.784工作類別1.5127HTML1,755Unix2.7928Socket1.756J2EE2.4829PHP1.707Hibernate2.3530Flash1.678Oracle2.2931SqlServer1.669HTTP2.2532TCP/IP1.6610Mysql2.2533設(shè)計模式1.6211CSS2.1834UI設(shè)計1.5912.NET2.1735測試方法1.5213工作地區(qū)_劃分2.1636數(shù)據(jù)分析1.5114DREAMWEAVER2.1137Python1.4415Shell2.1038JavaScript1.3916Xml1.9339Spring-MVC1.3917Java1.9140JSP1.3518Ajax1.8941系統(tǒng)架構(gòu)1.2519C#1.8842jQuery1.2420多線程1,8643云計算1.2321Sql1.8444Photoshop1.1922Excel1.8445Linux1.0323Android1.83觀察表1.2中可以看到，按照重要性的大小排序的結(jié)果顯示，工作經(jīng)驗要求、最低學(xué)歷要求對最低月薪和福利個數(shù)的影響最大，重要度均超過7%，其次，工作性質(zhì)和工作類別對最低月薪和福利個數(shù)的影響也比較大，重要度均在5%~7%之間，這四個影響因素的重要性測度排名最靠前，表明其對薪資福利的影響力遠(yuǎn)遠(yuǎn)超過其他因素。相比之下，專業(yè)技能對最低月薪和福利個數(shù)的影響程度較小。觀察表1.3中所列舉的各個專業(yè)技能的排序可以看到，它們對最低月薪和福利個數(shù)的影響重要程度的差異較小，重要度均在1.03%~2.83%之間。相較而言，對于從業(yè)人員來說，是否熟悉J2EE、HIBERNATE框架和Unix系統(tǒng)等，對最低月薪和福利個數(shù)的影響較大，而是否熟悉PHOTOSHOP、云計算和LINUX系統(tǒng)等相關(guān)技術(shù)，對最低月薪和福利個數(shù)的影響相對較小。通過分析各個變量對薪資福利的影響重要程度可以發(fā)現(xiàn)，相較于專業(yè)技能而言，最低學(xué)歷要求、工作經(jīng)驗要求、工作性質(zhì)和工作類別是IT企業(yè)更為重視的因素，在應(yīng)聘者的專業(yè)水平基本持平時，這四個因素將是IT企業(yè)選擇合適技術(shù)型人才的重要判斷標(biāo)準(zhǔn)。1.3.2專業(yè)技能之間的關(guān)聯(lián)分析本節(jié)將在前文所選取的高頻的40個專業(yè)技能關(guān)鍵詞的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)模型，深入分析各個專業(yè)技能之間的關(guān)聯(lián)性，并繪制關(guān)聯(lián)性超過40%的專業(yè)技能關(guān)聯(lián)性網(wǎng)絡(luò)圖，如圖1.3所示，其中，兩個點相互連接表明這兩個專業(yè)技能之間具有較強(qiáng)的關(guān)聯(lián)性。圖1.3關(guān)聯(lián)性較強(qiáng)的專業(yè)技能網(wǎng)絡(luò)圖觀察圖1.3中可以了解到，Java語言與SQL語言、Oracle數(shù)據(jù)庫、測試方法、TCP/IP網(wǎng)絡(luò)協(xié)議等專業(yè)技能之間均有較強(qiáng)的關(guān)聯(lián)性，這表明對于將Java作為主要編程語言的技術(shù)型人才來說，若能同時掌握SQL語言、Oracle數(shù)據(jù)庫、測試方法、TCP/IP網(wǎng)絡(luò)協(xié)議等技術(shù)的使用方法，將會受到IT企業(yè)的重視。同理而言，HTML與JavaScript、CSS及TCP/IP之間也具有一定的關(guān)聯(lián)性，這說明對于熟練使用HTML的技術(shù)型人才來說，同時掌握J(rèn)avaScript、CSS或TCP/IP技術(shù)將有助于其獲得更好的就業(yè)機(jī)會，IT企業(yè)對這種多技術(shù)交叉型人才的需求較為迫切。另外，可以看到測試方法與Java、C++、Android和.NET等開發(fā)技術(shù)之間均有較強(qiáng)的關(guān)聯(lián)性，這同樣體現(xiàn)了IT企業(yè)對同時掌握開發(fā)技術(shù)和測試方法的技術(shù)型人才需求量較大。仔細(xì)觀察圖1.3中所展示的各種專業(yè)技能，可以發(fā)現(xiàn)其中涵蓋了后端開發(fā)、移動開發(fā)、前端開發(fā)、數(shù)據(jù)庫應(yīng)用技術(shù)以及測試開發(fā)等多個技術(shù)領(lǐng)域的要求，同時這些專業(yè)技能之間的關(guān)聯(lián)性都比較強(qiáng)，這種結(jié)果在很大程度上說明了IT企業(yè)對技術(shù)型人才的專業(yè)技能需求并不局限于某一個特定的領(lǐng)域，而是更加重視那些精通某一領(lǐng)域且熟悉相關(guān)領(lǐng)域的其他技術(shù)的技術(shù)型人才，對綜合型技術(shù)人才的需求越來越迫切。1.3.3不同工作類別的薪資福利預(yù)測利用所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測某個工作類別的技術(shù)型人才的最低月薪和福利個數(shù)，可以更加清晰地展現(xiàn)IT企業(yè)對某類技術(shù)型人才的需求程度，其中最低月薪越高、福利個數(shù)越多，說明IT企業(yè)對該類技術(shù)型人才的需求程度越高。本節(jié)將選取兩個工作類別的技術(shù)型人才作為例子來進(jìn)行其最低月薪和福利個數(shù)的預(yù)測分析。第一類IT企業(yè)的技術(shù)型人才，是在東南地區(qū)全職從事“后端開發(fā)/系統(tǒng)架構(gòu)”工作的，擁有1-3年工作經(jīng)驗且具有本科學(xué)歷的人才，該類人才熟悉PYTHON語言、多線程技術(shù)、MySQL數(shù)據(jù)庫和SQL語言等相關(guān)技術(shù)，因此稱它們?yōu)?/p>