面試怎麼談薪資? 人力銀行的薪資工具合理嗎？(104的薪資情報 VS 1111的薪資公秤) part 2 工具比較與合理性上一篇我們知道104及1111的薪資工具怎麼使用了，那...這兩間人力銀行，它們自己在徵人時，薪資有沒有符合這區間呢？讓我們看下去！
首先因《就業服務法》的規範，徵才的經常性薪資如果未達4萬元，必須揭示薪資範圍，違反規定者最高可罰6-30萬元。反之，經常性薪資超過4萬就能標註薪資面議，所以這裡只能針對有寫實際薪資金額的職務，進行比較，如果造成偏頗，只能先說抱歉了
對比104及1111的職缺，並過濾掉薪資面議，選擇三個職務來做比較，分別是
1. 網站行銷企劃(104)/網站企劃人員(1111)
2. 國內業務(104)/國內業務人員(1111)
四大人力銀行(104、1111、518、yes123)功能分享比較 (2024年更新)沒想到ˋ自己最熱門的文章是人力銀行的使用心得與比較，3年前的文章，迄今都還有人閱讀，看來疫情已關不住大家想轉職的心!!!!!!
不知道大家在求職時，是用哪些平台呢？我自己是會用人力銀行來找工作，這次先跟大家分享自己對四大人力銀行(104、1111、518、yes123)的感想與首頁介紹!
104人力銀行
首頁長這樣，主視覺採橘色調、頁面明亮、充滿朝氣
1111人力銀行及104人力銀行之使用心得分享(含比較)---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---
監督式學習(Supervised Learning)：給電腦經人工處理過的資料進行學習，人工處理是指對資料貼「標籤label」，也就是資料的答案，在輸出時能判斷誤差，預測會比較精準。舉例來說，任意選出100張照片，並且已標註哪些照片是貓、哪些照片是狗，電腦會從中提取「特徵Feature」出來，將來做預測時，只要尋找這些特徵，就能辨識貓或狗了。目前這類型的演算法有迴歸(Regression)及分類(Classification)。
非監督式學習(Unsupervised Learning)：給電腦「沒有標籤」的資料，讓電腦自己找出規則，做分群(Clustering)。
半監督式學習(Semisupervised Learning)：對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。因能減少人工作業，是目前最常用的一種方式，比非監督式學習準確。
強化學習(Reinforcement Learning)：是一種人類/動物學習的方式，用正回饋及負回饋的概念，設計激勵函數，描述行為與環境互動後的獎懲關係來讓機器學習，再決定下一步該怎麼執行。
前兩篇都是分享固定長度文字的隱藏，像是姓名(REPLACE函數)、手機號碼(SUBSTITUTE函數)的部分隱蔽處理，那...如果是Email這種不固定格式的怎麼做？
這邊示範 只顯示Email前三及後三碼的公式
電子郵件資料遮罩
用LEFT函數取出 電子郵件 前/左3個文字
中間文字長度先用LEN函數計算出來後，扣除6(前3及後3文字數)，就能使用REPT函數生成相對應數量的 *符號
因業務需求，會舉辦抽獎活動，而在將中獎名單公告於網路上之前，為了怕被吉，會先進行個資遮罩作業。
這部分我習慣用Excel的REPLACE函數來處理，以下用Office 365示範：
語法
REPLACE(old_text, start_num, num_chars, new_text)
◆ Old_text 必要。原始文字
其它 (3)