读书笔记二:《破茧成蝶》

用一句话概括用户体检就是:为了提升用户在使用产品时的主观感受。首先要解决某个实际问题,其次是让问题变得更容易解决,最后给用户留下深刻的印象并产生美好的体验。

具体的交互设计职能:通过分析用户心理模型,设计任务流程,运用交互知识,把业务逻辑以用户能够理解的方式表达给用户,实现产品战略。要让用户用着感觉良好,还要让公司能赚钱。重点是对设计本身的思考,需要解决什么实际问题?秉承什么设计理念?而原型设计稿只是最后一步,用于呈现想法。

作者探讨了什么样的应聘者更容易成功,首先列举了以下三种面试失败的例子:
“因为我本人是非常优秀的,我一个人顶过他们所有人,如果只有我一个人参赛的话,绝对能拿名次!”
原因:过于功利,缺乏团队意识,过于自信

“你作品上这个地方有个明显问题”“哦,这个地方我是这样思考的……&%¥#@”“我是这么想的¥%……&#@
原因: 不够虚心,答非所问,找不到重点

“对不起,这个问题我以前没想过……哦,这个可能是这样吧(草草几个字陈述完毕)”
原因:知识面窄,阅读量少,不爱思考

在面试中,专业能力并不是录用人才的唯一标准,基本素养更为重要。书中提到,本人特别赞同的一点,设计师所咱先出来的专业技能只是冰山一角,一个优秀的设计师之所以优秀,是因为潜藏在技能表面下的东西,其实就是说,设计师的涵养是最重要的,技能是用于展现涵养的手段。优秀的设计师,肯定是最具有“美”的慧眼,美的定义不仅仅是穿着打扮上的时尚感,还有细致生活的美感,还有言辞谈吐的质感。

书中总结了,为什么很多人做了多年设计师,却还只是“美工”也只能是“美工”。原因就在于他们把最不重要的“技能”当做了自己职业中最重要的部分,没有在工作中注入自己的思想,只是机械的使用技能,重复技能,只能制造不能创新,“大师”和“工匠 ”的区别也就在于此了。所以,在进行面试时,着重考虑:

1,对用户体验具备浓厚的兴趣
2,具备良好的素养;具备强大的思维能力
3,掌握专业的技能

复合型的设计师会越来越受到欢迎。比如交互设计师,最好懂人机工程学、设计学、心理学等,如果会点代码、会点手绘,那更是锦上添花。反思自己的情况,本科的时候是数学与应用数学专业,现在在读计算机专业的研究生,对交互设计这块比较感兴趣,处于门外汉小白,感觉突然从文中找到一个还算清晰的定位方案,文中提到,对研究方向感兴趣,可以考虑用研兼交互。这个定位很好,即不是完全抛弃所学专业知识,也不是纯做设计师,毕竟专业的设计师门槛还是蛮高的,没有多年的美术功底这条路行不通。

未完待续

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 3
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