来自 Facebook 设计副总裁的 5 个 UX 建议

原文:5 UX tips from Facebook’s VP of Design
作者:LAUREN GILMORE
译者:牟云飞
审校/责编:屠敏,关注物联网、移动开发领域,寻求报道或投稿请发邮件tumin@csdn.net

Facebook的产品设计副总裁Julie Zhuo从2006年加入公司以来,帮助Facebook用户从800万大学生、高中生增长到现在全球超过十亿人。

她是如何做到的呢?

多多实践

Julie高度推崇亲力亲为。当请她给职场新人提建议时,Julie这样回答:

“我最好的建议就是多多实践。没有什么比得上撸起袖子设计、搭建、制作、调整,你懂我的意思。”

不要害怕去尝试……

“拥抱新事物。跳出你的舒适区去尝试新事物。尝试设计个logo,学习并使用新工具来设计一套交互式UI……从而发现你喜欢做什么、擅长做什么。”

正规教育不是必须的

感谢科技的出现,现在比以往任何时候都更容易以自己的节奏学习,并凭借你的兴趣赚钱。

无论是编程、设计、写作或是水下编篮子……不一定需要大学教育才能学会。

“我没有设计专业的正规教育背景。我的个人感觉是,与编程(或任何事情)类似——在正规课堂中学习理论知识固然重要,但大部分的学习是通过实践来实现的。了解一些必要的基础知识,然后放手去做,去设计一些东西,并与他人进行分享交流,倾听他们的反馈意见,从中你可以学习、进步。”

如果您有兴趣了解Julie理想中设计课程是怎么样的,可以去读读她写的一篇博文

一旦你成为了设计师,需要与开发人员并肩作战。Julie理想中的开发人员拥有什么样的特质呢?

  • 将彼此看作同一团队的战友。
  • 关注用户体验。
  • 关注性能表现。
  • 或许在需要开发的功能上会与你讨价还价,但他承诺完成的那些
  • 功能肯定能做得很好。
  • 编写的代码便于维护,考虑未来的功能迭代。

聚焦与排序的重要性

在创建产品或功能时,绝对必须始终记住终端用户。你可以丢掉细节,但永远不该忘记终极目标的重点。特别是在处理很复杂的事物时。

“通过明确我们终端用户是谁、需要我们的功能做什么,可以为各种功能进行聚焦和排序。如果开发一款适用于每一个人的产品,我们会尝试去识别我们认为最多人认为有价值的功能。”

不要忘记做研究……

“我们要做大量研究,确保没有走偏。我们了解到,默认选项的排序是非常重要的——大多数人不会在菜单中翻找选项或自己调整菜单选项……当然,我们需要提供这些功能,但是应以一种用户可接受的方式呈现而不是硬生生地摆在UI上。”

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