交互设计师的五大误区

今天在网易云课堂听了《交互设计师的五大误区》,简单做个笔记吧。


误区一、线框图越美越好


实际上,一个好的线框图不是要做到多有美感,而是要让配合的人尽可能明白产品的功能,需要做到以下两点:

(1)清晰明了的站点地图

(2)具体到位的页面说明


线框图不是追求美感,而是让视觉和开发尽量不用动脑子

(1)不要有太多的动效

(2)不要给出过分凌乱的页面布局

(3)尽量给出异常页面状态

(4)给出清楚完整的页面跳转逻辑

(5)使用不同颜色标注不同信息

(6)不要使用表意不清楚的icon



误区二、要让所有用户满意


   去收集用户反馈,记录在用户体验优化池

途径:Appstore的用户评论等。

  1. 用户声音:广告越来越多、不喜欢XXX功能、想要XXX功能;
  2. PM声音:盈利、数据提升、开发成本
  3. 交互设计师说法:广告更软性、功能选择、快速解决的方法。

误区三、只需要完成产品经理的需求

  1. 反驳产品经理不靠谱的需求
  2. 主动分析调研,提升用户体验数据
  3. 深入思考使用场景
  4. 跟进开发,找到性价比最高的方案
  5. 寻找创新有趣的交互方式

误区四、要高瞻远瞩,要有产品思维

可以高瞻远瞩,但是要先做好本职工作。

多思考:

  1. 按钮的文案怎么写
  2. 哪些地方用户会出错
  3. 用户看到页面会想什么
  4. 哪些技术难点需要去考虑
  5. 是不是考虑到了所有用例

误区五、不能抄袭其他产品的设计

创新不是一蹴而就的,不能为了创新而创新,要尊重用户的使用习惯。

  1. 创新基于无数次的“借鉴”
    • 分析竞品,看共同点和不同点,思考Ta为什么要这么做。

最后,如何成为一个交互设计师

1)热爱这个行业,愿意做一些提升用户体验的事情;

2)分析很多的竞品,学习别人的做法;

3)学习一些前端的技术,了解技术实现的成本;

4)踩很多坑,积累经验。


   






深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值