LinkedIn Karriere-Prognose KI

Ein KI-basiertes System zur Vorhersage des optimalen Zeitpunkts für den nächsten Karriereschritt basierend auf LinkedIn-Daten.

Projektstruktur

.
├── backend/                # Backend-Server
│   ├── app.py             # Flask-Anwendung
│   └── ml_pipe/           # Machine Learning Pipeline
│       ├── data/          # Datenverarbeitung
│       │   ├── featureEngineering/
│       │   │   ├── featureEngineering.py
│       │   │   └── position_level.json
│       │   └── database/
│       │       └── mongodb.py
│       └── models/        # KI-Modelle
│           ├── tft/       # Temporal Fusion Transformer
│           ├── gru/       # GRU Modell
│           └── xgboost/   # XGBoost Modell
├── frontend/              # React Frontend
│   ├── src/              # React Komponenten
│   ├── package.json      # Frontend Abhängigkeiten
│   └── public/           # Statische Dateien
└── start.sh              # Startskript für Backend und Frontend

Features

• Vorhersage der Wechselwahrscheinlichkeit basierend auf LinkedIn-Profilen
• Drei verschiedene KI-Modelle zur Analyse:
  • Temporal Fusion Transformer (TFT)
  • GRU (Gated Recurrent Unit)
  • XGBoost
• Detaillierte Erklärungen der Vorhersagen
• Interaktives Dashboard mit:
  • LinkedIn-Profil-Analyse
  • Batch-Upload für mehrere Profile
  • Kandidatenübersicht
• MongoDB-Integration für Kandidatenverwaltung

Installation & Start

Voraussetzungen

• Python 3.x
• Node.js und npm
• MongoDB (lokal oder Remote)

Schnellstart

1. Repository klonen:

git clone [repository-url]
cd [repository-name]

2. Backend-Abhängigkeiten installieren:

cd backend
pip3 install flask flask-cors pandas numpy linkedin-api

3. Frontend-Abhängigkeiten installieren:

cd ../frontend
npm install

4. Anwendung starten:

cd ..
chmod +x start.sh
./start.sh

Die Anwendung ist dann unter folgenden URLs erreichbar:

• Frontend: http://localhost:3000
• Backend: http://localhost:5100

Verwendung

LinkedIn-Analyse

1. Navigieren Sie zur "LinkedIn Analyse"-Seite
2. Fügen Sie einen LinkedIn-Profil-Link ein
3. Wählen Sie das gewünschte KI-Modell
4. Klicken Sie auf "Analysieren"

Batch-Upload

1. Navigieren Sie zur "Batch Upload"-Seite
2. Laden Sie eine CSV-Datei mit LinkedIn-Profilen hoch
3. Starten Sie die Batch-Analyse
4. Speichern Sie interessante Kandidaten

Kandidatenverwaltung

1. Navigieren Sie zur "Kandidaten"-Seite
2. Sehen Sie alle gespeicherten Kandidaten
3. Filtern und sortieren Sie nach verschiedenen Kriterien

API-Endpunkte

• POST /scrape-linkedin: LinkedIn-Profil analysieren
• POST /predict: Vorhersage für ein Profil erstellen
• POST /predict-batch: Batch-Vorhersage für mehrere Profile
• GET /candidates: Alle gespeicherten Kandidaten abrufen
• POST /api/candidates: Neue Kandidaten speichern

Entwicklung

Backend-Entwicklung

cd backend
python3 app.py

Frontend-Entwicklung

cd frontend
npm start

Technologien

• Backend:

  • Python 3.x

• Flask

  • PyTorch (TFT, GRU)
  • XGBoost
  • MongoDB

• Frontend:

  • React
  • Material-UI
  • React Router
  • Tailwind CSS

Autor

Florian Runkel