面向程序员的用户体验设计入门

周末一直在思索用户体验的问题,一方面是为了Growth的设计,一方面则是在想扩展领域学习的问题。

先让我们来看看用户体验的目的是?

0?wx_fmt=jpeg

图用手机拍得很渣,但是也能看清楚中间的部分——UX Design。从图中可以看到,UX Design的区域很大,而也似乎也决定了一个软件的好坏。如果我们能将软件的易用程度推向简单的程度,那么我想我要的结果就是这个。

一个好的软件应该是简单的,并且是令人愉快的。

什么是简单?

在不同的UX书籍里,似乎就会说到【简约至上】。简单就是“单纯清楚、不复杂”。而这里的简单并不仅仅只是不复杂那么简单。对于一个软件来说,简单实际上是你一下子就能找到你想要的东西,如:

0?wx_fmt=jpeg

而我们并不可能在一开始就得到这样的结果,这需要一个复杂的过程。而在这个过程开始之前,我们一定要知道的一点是:我们的用户到底需要什么?

如果我们无法知道这一点,而只是一直在假想客户需要什么,那么这会变成一条死路。

接着在找寻的过程中,发现了一个有意思的图,即精益画布:

0?wx_fmt=jpeg

首先,我们需要知道几个用户而存在的问题——即客户最需要解决的三个问题。并且针对三个问题提出对应的解决方案,这也就是产品的主要功能。

那么,这两点结合起来对于用户来说就是简单——这个软件能解决客户存在的主要问题。

如果我们可以完成这部分功能的话,那么这就算得上是一个有用的软件。

进阶

而实际上有用则是位于用户体验的最底层,如下图所示:

0?wx_fmt=png

这时候就需要尽量往可用靠拢。怎样对两者进行一个简单的划分?

下图就是实用的软件:

0?wx_fmt=jpeg

而下图就便好一点了:

0?wx_fmt=jpeg

要达到可用的级别,并不是一件困难的事:

  1. 遵循现有软件的模式。

换句话说,这时候你需要的是一本Cookbook。这本Cookbook上面就会列出诸多现有的设计模式,只需要参考便使用就差不多了。

同样的,我便尝试用《移动应用UI设计模式》一本书对我原有的软件进行了一些设计,发现它真的可以达到这样的地步。

而这也类似于在编程中的设计模式,遵循模式可以创造出不错的软件。

用户体验要素

尽管对于这方面没有非常好的认识,但是还是让我们来看看我们现在可以到哪种程度。如在一开始所说的,我们需要满足用户的需求,这就是我们的目标:

0?wx_fmt=png

而在最上面的视觉设计则需要更专业的人来设计。

参考目录

  • 《怦然心动——情感化设计交互指南》

  • 《用户体验要素》

  • 《移动应用UI设计模式》

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