互聯網產品設計主題詞表

http://rexsong.com/webdesign/thesaurus/

互聯網產品設計主題詞表beta.0406

六个层级
优选术语中文
全称
英文
全称
英文
子词全称
中文
子词全称
链接
战略层战略层StrategyUser Need
Site Objective
用户需求
网站目标
 
范围层范围层ScopeFunctional Specification
Content Requirement
功能规格
内容需求
 
结构层结构层StructureInformation Architecture
Interaction design
信息架构
交互设计
 
框架层框架层SkeletonInterface Design
Information Design
Navigation Design
界面设计
信息设计
导航设计
 
表现层表现层SurfaceVisual Design视觉设计 
语义层语义层SemanticsFront-end web development前端开发 
三个目标
优选术语中文
全称
英文
全称
英文
子词全称
中文
子词全称
中文
子词变体
链接
用户友好用户友好User FriendlyGraceful Degradation优雅降级预留退路
开发者友好开发者友好Developer FriendlyWeb Standard网页标准网站重构讨论1
搜索引擎友好搜索引擎友好Search Engine Friendly     
七个评估维度
优选术语中文
全称
中文
全称变体
英文
全称名词
英文
全称形容词
中文
全称形容词
英文
子词全称
中文
子词全称
中文
子词变体
链接
价值性价值性 ValuablityValuable有价值的    
可靠性可靠性 CredibilityCredible可靠的    
可访问性可访问性无障碍
亲和力
可获得性
可到达性
可及性
AccessibilityAccessible可访问的Compatibility
兼容性

 
可发现性可发现性可查找性
可找到性
可寻性
FindabilityFindable可发现的    
可用性可用性优使性
好用性
宜用性
使用性
UsabilityUsable可用的Easy to use 易用的 讨论1
讨论2
可读性可读性 ReadabilityReadable可读的Legibility可识别性
可辨识性
可辨认性
讨论1
讨论2
满意度满意度 DesirabilityDesirable满意的    
概念对象
优选术语中文
全称
中文
全称变体
英文
全称
英文
全称变体
英文
缩写
英文
缩写变体
英文
全称父词
链接
网页设计网页设计网站设计Web Design Website Design     
互联网产品设计互联网产品设计网站产品设计Web-based Design Internet Product Design     
以用户为中心的设计以用户为中心的设计 User-Centered Design  UCD  
用户体验用户体验 User Experience  UXUE 
用户界面用户界面 User Interface  UI  
图形用户界面图形用户界面 Graphical User Interface  GUI User Interface
网页用户界面网页用户界面 Web User Interface  WUI User Interface  
职能及角色
优选术语中文
全称
中文
全称变体
英文
全称
中文
角色全称
英文
角色全称
英文
缩写
英文
缩写变体
备注链接
用户研究用户研究 User Research用户研究员User Researcher  产品经理职能细分 
信息架构信息架构信息构建
资讯架构
资讯建筑
Information Architecture信息架构师Information ArchitectIA 产品设计师职能细分
交互设计交互设计互动设计Interaction Design 交互设计师Interaction DesignerIxDID产品设计师职能细分
界面设计界面设计 Interface Design界面设计师Interface Designer   产品设计师职能细分 
信息设计信息设计 Information Design 信息设计师Information Designer  产品设计师职能细分
导航设计导航设计 Navigation Design    产品设计师职能细分 
视觉设计视觉设计 Visual Design视觉设计师Visual Designer  产品设计师职能细分 
前端开发前端开发 Front-end Development前端工程师Front-end Developer  产品工程师职能细分 
方法
优选术语中文
全称
英文
全称
备注链接
焦点小组焦点小组Focus Group定性方法 
卡片分类法卡片分类法Card Sorting定性方法 
任务分解任务分解Task Analysis定性方法
竞品分析竞品分析Competitive Analysis定性方法 
问卷调查问卷调查Questionnaire Survey定性方法 
满意度研究满意度研究Desirability Studies定性方法 
启发式评估启发式评估Heuristic Evaluation定性方法 
原型测试原型测试Prototype Testing定性方法 
AB测试AB测试A/B Testing定量方法 
在线评估在线评估Online Assessment定量方法 
眼动研究眼动研究Eye Tracking定量方法 
交付物
优选术语中文
全称
英文
全称
英文
父词全称
备注链接
概念概念Concept   
用户模型用户模型User ModelConcept产品经理职责 
商业模型商业模型Business ModelConcept产品经理职责 
功能模型功能模型Function Model Concept产品经理职责 
文档文档Document   
内容清单内容清单Content ListDocument 产品设计师职责 
人物角色人物角色PersonasDocument 产品设计师职责 
故事板故事板StoryboardDocument 产品设计师职责 
流程图流程图FlowchartDocument 产品设计师职责 
线框图线框图WireframeDocument 产品设计师职责 
风格指南风格指南Style Guide Document 产品设计师职责
原型原型Prototype   
低保真原型低保真原型Low Fidelity PrototypePrototype产品设计师职责 
高保真原型高保真原型High Fidelity PrototypePrototype产品设计师职责 
纸面原型纸面原型Paper Prototype Low Fidelity Prototype产品设计师职责
图形原型图形原型Graphical PrototypeLow Fidelity Prototype 产品设计师职责 
页面原型页面原型Web PrototypeHigh Fidelity Prototype产品工程师职责 
修订

04.06 细分“职能角色、方法、交付物”。

04.02 细分“概念对象”。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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