用户体验要素—以用户为中心的产品设计

《用户体验要素:以用户为中心的产品设计》读书笔记 写在前面:本文仅仅是根据个人阅读习惯或个人有启发之处所记录的笔记,不代表该书的重点哦,如有需要该书的pdf,可网盘自取哦>o< 链接:https://pan.baidu.com/s/1dTqUIVefD7wrAIkvNKw7PQ 提取码:l6ej 第1章 用户体验为什么如此重要 1、大部分时候,当提到“产品设计”时,人们往往会想到的是产品在感官方面或功能方面的表现。但如果将“设计一个用... 阅读详情

1.用户体验为何如此重要

什么是用户体验:

用户体验并不是指一件产品是如何工作的,用户体验是指“产品如何与外界发生联系并发挥作用”,也就是人们如何“接触”和“使用”它。

如果说按钮时的“嘀嗒”声似乎无关紧要,但如果这个声音决定你是否能够喝到咖啡,拿它就变得很关键。

从产品设计到用户体验设计

提到产品设计,人们往往会想到产品的感官方面的表现(其表现最直接),而忽略听觉方面的要素。

功能

产品设计一般是由功能决定,而用户体验设计通常要解决的是应用环境的综合问题,要综合包括:

  • 视觉设计;
  • 功能设计;
  • 同时解决产品面临的其他问题。

用户体验与网站

用户的困境:
产品或者网站(内容或交互为主)的使用过程中,用户依靠自己的智慧与经验找不到”出路“。

提供优质的用户体验是一个重要的、可持续的竞争优势。

企业在财务营收上更加关注的是投资回报率(return on investment)ROI;衡量产品达到“商业目标”方面的效率有多高,一般会使用转化率(conversion rate):
3 个 注 册 者 36 个 访 问 者 = 8.66 % 的 转 化 率 \frac{3个注册者}{36个访问者} = 8.66\%的转化率 36个访问者3个注册者​=8.66%的转化率

互联网类的产品,转化率的提高意味着收入的提升。与简单的销售数字比较,转化率可以让你更加强烈的感受到在用户体验上的投入所得的回报。

任何在用户体验上所做的努力,目的都是为了提高效率:

  • 帮助人们工作得更快
  • 减少他们犯错的几率

以用户为中心的设计(user-centered design)思想:在开发产品的每一个步骤中,都要把用户列入考虑范围之内。目的是:创建吸引人、高效的用户体验。

2.用户体验要素

用户体验的整个开发流程,都是为了确保用户在你的产品上的所有体验不会发生在你“明确的、有意识的意图”之外。也就是说,要考虑到用户有可能采取的每一个行动的每一种可能性,并且去理解在这个过程的每一个步骤中用户的期望值。

这个庞大的工作,可以分解成各个组成要素,以帮助更好的解决整个问题:

用户体验构建的五个层面:

在这里插入图片描述

1.表现层surface:你看到的是一系列的网页,又图片和文字组成;

2.框架层skeleton:按钮、控件、照片、文本区域的位置;用于优化设计布局,以达到这些元素的最大效果和效率——当你需要时,能记得标识并找到购物车按钮;

3.结构层structure:比框架层更加抽象,框架层时结构的具体表达方式。框架层确定了页面上交互元素的位置;而结构层则用来设计用户如何达到某个页面,并在他们做完事之后能去什么地方。框架层定义了导航条上各要素的排列方式,允许用户可以浏览不同的商品分类;结构层则确定哪些类别应该出现在那里。

4.范围层scope:结构层确定网站各种特性和功能最合适的组合方式,而这些特性和功能就构成网站的范围层。这个功能(或任何一个功能)是否应该成为网站功能之一,就属于范围层要解决的问题。

5.战略层strategy:范围层由战略层决定,包括用户需求和企业商业目标。

五个层面由底向上逐步开展,而且相互由重叠部分。
在这里插入图片描述

3.战略层:产品目标与用户需求

用户研究以及需求管理,产出商业需求文档(需求和商业相结合)

基础——明确两个基本问题:

  • 我们要通过这个产品得到什么?
  • 我们的用户要通过这个产品得到什么?

产品目标

1.商业目标:或者说是产品目标

2.品牌标识:

视觉层面上的商标、色调、字体设计

情感方面的情绪反应、概念、形象。

3.成功标准:

KPI,一些可以追踪的指标:用于衡量是否满足了我们自己的目标和用户需求。

好的成功标准:不仅影响项目各阶段决策;也为衡量用户体验工作价值提供了具体的依据;与用户使用该产品的方式有一定关系(转换率与成单率)。

依赖广告收入的网站:印象数(impressions)——网站上每一个广告的每天被展示的数量。但必须衡量用户需求与自己的目标,不能只看此类指标的增长。

用户需求

首先得确认自己的用户,以及他们的需求。

1.用户细分:

方法:

  • 人口统计学标准:性别、年龄、教育水平、婚姻状况、收入等
  • 消费心理档案:用来描述用户对于这个世界,尤其是与你产品有关的某个事物的观点和看法的心里分析方法。

不同用户群体的需求可能不同或是冲突,用户细分,研究不同用户群体的不同需求,从而设置相应的产品方案满足对应群体的需求。

可用性与用户研究

《人人都是产品经理》

团队角色和流程

拟定决策时,普通员工经常被忽略,而这些人就是负责企业每天正常运作的人。这些人通常更加知道“什么行得通,什么不可行”——特别是用户据需求方面。

战略文档在项目进行期间,应该被所有的参与者频繁的使用,以帮助他们做出正确的决定,提高他们对这些事情的理解。

战略应该是设计用户体验流程中的起点,但不意味着项目开始战略就完全确定,其是可以演变和改进的。

4.范围层:功能规格和内容需求

将用户需求转变为产品需求,确定产品范围,即立项中的需求开发,产出产品需求文档???

带着“我们想要什么、我们的用户想要什么”,我们才能弄清楚如何去满足这些战略目标。也就是,把这两项内容转变为产品应该提供给用户什么样的内容与功能,战略就变成了范围。

定义项目范围,同时在做两件事:

  • 这是一个有价值的过程;
  • 同时能产生有价值的产品;

用文档来定义需求:

  • 这样你才能知道你正在建什么?
  • 以及你不需要建什么?

如果你不能有意识的管理你的要求,你将陷入可怕的“范围蠕变“——范围像滚雪球一般逐渐变大。

截至到此,内容大多与产品的工作流程类似

5.结构层:交互设计与信息架构

产品架构与交互设计,产品的业务流程、数据流程;产品各个页面之间的逻辑结构,以及每个页面要实现哪些功能

在定义好用户需求并排列号优先级别之后,我们已经对最终产品将会包括什么特性已经有了清楚的图像。然而这些需求并没有说明如何将这些分散的片段组成一个整体,结构层——就是为网站创建一个概念结构。

其适当的将我们的关注点从抽象的决策与范围问题,转移到更能影响最后的用户体验的具体因素。

交互设计:关注描述"可能的用户行为",同时定义“系统如何配合与响应”这些用户的行为。即,用户移动,系统响应;接着用户再移动,回应系统的响应;如此往复。交互设计,要求系统能够预测用户的移动。

6.框架层:界面设计、导航设计和信息设计

单个页面的整体布局

将结构层中的大量概念化的东西进行细化,确定详细的界面外观、导航和信息设计,让晦涩的结构变得实在。

1.界面设计:的全部事情就是选择正确的界面元素。这些元素要能帮助用户完成他们的任务,还要通过适当的方式让它们容易被理解和使用。

哪个功能会在哪个界面上完成,再结构层的交互设计中已经决定;这些功能在界面上如何被用户认知到,则属于界面设计的范畴。

2.导航设计:

  • 首先,必须提供一个在各网站之间跳转的方法;
  • 其次,导航设计必须传达出这些元素和他们所包含内容之间的关系;
  • 最后,导航设计必须传达出它的内容和用户当前浏览页之间的关系;

3.信息设计:使用一种可以反映用户的思路和支持他们的任务和目标的方式来分类和排列这些信息元素。

如个人信息行的设计——设置分类:个人信息、联系方式、其他联系方式。

4.线框图:

页面布局是将信息设计、界面设计、导航设计放置到一起,形成一个统一的、有内在凝聚力的架构。

线框图是对一个页面中所有组成部分以及他们如何结合到一起、最直观的描述。是整合框架层全部三种要素的方法:

  • 通过安排和选择界面元素来整合界面设计;
  • 通过识别和定义核心导航系统来整合导航设计;
  • 通过放置和排列信息组成部分的优先级来整合信息设计。

把这三者放到一个文档中,线框图就可以确定建立在基本概念结构上的架构,同时指出表现层的设计应该的前进方向。

7.表现层:感知设计

页面的感官呈现(不只是视觉方面)

在这个五层模型的顶端,注意力转移到产品用户会首先注意到的地方:感知设计。

这里内容、功能、美学汇集到一起产生一个最终设计,完成其他四个层面的所有目标,并同时满足用户的感官感受。

1.感受的五个方面:

  • 嗅觉和味觉
  • 视觉
  • 触觉
  • 听觉

8.要素的应用

创造良好的用户体验,最重要的工作内容是大量收集偁待解决的非常细微的问题。“成功的方法”和“注定会失败的方法”的差异,归根结底就以下两点:

1)了解你正在试着去解决的问题:这个问题是哪个需要改变哪个层面,例如一个紫色按钮是个问题,是:

  • 颜色—表现层
  • 位置—框架层
  • 功能—结构层

2)了解这些解决办法所造成的后果:要记住你所做出的每一个决定对其上、其下层面都有可能会产生的“连锁反应”。

提出正确的问题

将每一个决定都建立在对其背后议题的理解之上,回答每一个决定的问题:你为什么要这么做?

《用户体验要素—以用户为中心的产品设计》读书笔记 《用户体验要素》这本书将产品设计划划分为5个层次,又将产品划分为功能型平台产品与信息型媒介产品,分别定义了这五个层面上优化用户体验的关键。这五个层次由抽象到具体、由核心到细节涵盖了产品设计的全流程,为做产品设计建立了一套指导思想。 做产品设计时通常由战略层开始逐层往上,不断细化我们的核心需求。在这个过程中并不要求前一过程一定要在下一过程开始之前结束,但一定要在下 阅读详情

相关推荐

用户体验要素:以用户为中心的产品设计

用户体验要素:以用户为中心的产品设计(原书第2版).pdf

交互设计读书笔记——《用户体验要素:以用户为中心的产品设计》[美] 杰西·詹姆斯·加勒特

用户体验要素:以用户为中心的产品设计》是用户体验领域的经典之作,它将网站设计系统地分为五个要素:战略层、范围层、结构层、框架层和表现层,并分章节讲述了每一层要素下辖的内容。我们可以从这本书中以小见大,洞见产品交互设计如何才能取得好的用户体验。本文原是考研笔记,由于应试缘故,我对书中重要概念作了词条化的整理,许多细节有失严谨,对一些作者独创的概念也没有深入考究。因此,本文比较适合作为二次研究的楔子,而非标准化工具书。

Trantors的博客 1520

用户体验要素-以用户为中心的产品设计-原书第2版

用户体验要素-以用户为中心的产品设计-原书第2版

《用户体验要素——以用户为中心的产品设计》读书笔记

阅读日期:2019/10/21-2019/10-29 版本:第二版 全书围绕五个要素——表现层、框架层、结构层、范围层、战略层而展开,详细地叙述了五个层面的具体含义与方法,在读者心中建立起了一个完整的提纲,日后的积累也能逐渐填满提纲。 战略层 产品目标和用户需求 战略层定义: 明确我们要通过这个产品得到什么? 明确我们的用户要通过这个产品得到什么? 1.产品目标 产品目标:明确定义“成功的条件”...

晚安 2021

用户体验要素:以用户为中心的产品设计(中文第2版)

用户体验要素中文扫描版,字体清晰,内容完整,值得拥有。

极坐标格式算法(PFA)-SAR成像算法系列(六)

SAR成像算法:极坐标格式算法,介绍了算法的基本原理以及实现步骤,包含dechirp处理、RVP补偿,距离插值、方位插值。文后附有代码,可根据自身情况下载。

yjh_2019的博客 1万+

用户体验五要素_产品经理推荐书目《用户体验要素——以用户为中心的产品设计》读书笔记...

美国 杰西.詹姆斯.加勒特 著范晓燕 译豆瓣评分 8.3 截止到20200413共3000人评价推荐指数:4星读到这本书的时候,满心欢喜。很多日常工作中的疑问都找的到一些思路与答案。这本书适合所有的产品人,特别是工作有些年头老产品和偏前端的产品同学。本书将用户体验要素分成了5个层级,对战略层、范围层、结构层、框架层和表现层进行了...

weixin_39755136的博客 799

大语言模型(LLM)在组合优化中的新突破:LLM-LNS与FunSearch性能对比

本文深入探讨了大语言模型(LLM)在组合优化中的创新应用,重点对比了LLM-LNS与FunSearch两种方法的性能差异。研究表明,LLM-LNS在物流路径规划、资源调度等场景中展现出显著优势,其双层自演化架构能有效平衡探索与利用,相比传统方法提升效率约43%。文章还提供了实践选择指南,帮助开发者根据具体需求选用合适的技术方案。

weixin_42526415的博客 406

读书《用户体验要素 以用户为中心的产品设计》

读书《用户体验要素 以用户为中心的产品设计》flyfishThe elements of user experience User-centered design for the web and beyonduser experience and why it matters 用户体验为什么如此重要本书对用户体验的定义 User experience is about how it works

二分掌柜的 2549

MOSFET关断尖峰电压的机理与抑制

MOSFET在电力电子系统中存在开关尖峰电压/电流问题,主要源于寄生电感、密勒电容及开关瞬态特性。尖峰会引发过压击穿、功率损耗和EMI干扰。抑制措施包括优化驱动电路、添加缓冲网络(RC/RCD)、降低寄生电感(改进PCB布线/封装)、使用快速二极管及远端负载特殊处理(电抗器/滤波器)。系统性的器件选型与电路设计是确保功率电子稳定运行的关键。

硬核科技 1824

【Docker安装】Ubuntu 24.04.2 LTS系统下安装Docker环境——指定APT源安装方式

【Docker安装】Ubuntu 24.04.2 LTS系统下安装Docker环境——指定APT源安装方式

jks212454的博客 625

新书推荐 |《用户体验要素:以用户为中心的产品设计(原书第2版)》

新书推荐《用户体验要素:以用户为中心的产品设计(原书第2版)》长按二维码了解及购买Ajax之父经典著作新版,以用户为中心的设计思想的延展,本书用简洁的语言系统化地诠释了设计、技术和商业融...

华章IT官方博客 491

Mastercam软件二次开发:使用C#进行Mastercam二次开发

C#(发音为“C Sharp”)是一种现代、面向对象的编程语言,由微软开发,首次发布于2000年。它结合了C和C++的强大功能,同时引入了Java的垃圾回收机制,使得C#在开发效率和运行性能之间找到了一个良好的平衡点。C#的设计目标是提高开发者的生产力,它支持多种编程范式,包括面向对象、泛型、委托和事件等,这使得它成为开发Windows应用程序、Web应用程序、游戏(尤其是使用Unity引擎)和企业级应用的理想选择。

kkchenjj的博客 2214

《用户体验要素—以用户为中心的产品设计》笔记(一)

第一章 用户体验并不是指一件产品本身是如何工作的,用户体验是指"产品如何与外界发生联系并发挥作用",也就是人们如何"接触"和"使用"它。 产品人创建一个产品的过程更像是在"开发":逐步建立和完善产品的特性和功能,直到它们所组成的那个东西在市场上是可行的。 用户体验设计通常要解决的是应用环境的综合问题。 为体验而设计:使用第一。 科技产品都会带给人:他们总是责...

weixin_30852419的博客 348

JavaFx 教程

JavaFx 教程

2012年开始工作,全栈开发老兵,目前已是一个老师,分享这么多年的心得体会 784

RT-Thread GD32F4xx HWTIMER驱动

GD32F4xx RT-Thread 硬件定时器驱动调试使用记录

madao1234的博客 1482

《用户体验要素——以用户为中心的产品设计》整理

《用户体验要素——以用户为中心的产品设计》整理用户体验要素的五要素(五层面) 功能型产品与信息型产品表现层 感知体验(感知设计)框架层 信息设计 界面设计与导航设计结构层 交互设计与信息架构范围层 功能规格与内容需求战略层 用户需求与产品目标 战略层定义: 我们要通...

weixin_30600197的博客 309

论文阅读: SIGIR 2025 ID-Free Not Risk-Free: LLM-Powered Agents Unveil Risks in ID-Free Recommender Syste

咱们平时用的推荐系统(比如购物APP推商品、视频APP推剧),大多是“有ID”的——每个用户、每个商品都有个专属ID,系统靠这些ID记录你的浏览、购买历史,再给你推喜欢的东西。但这种方式有个大问题:新用户、新商品刚上线时没有ID历史数据,系统没法精准推荐,这就是“冷启动”难题。后来人们搞出了“无ID推荐系统”:不用ID了,改成直接分析商品的文字信息(比如商品标题、描述),靠大语言模型(LLM,类似ChatGPT的技术)把文字转成“语义代码”,再通过这些“代码”判断你可能喜欢什么。

CSPhD-winston的博客 977

用户体验要素:以用户为中心的产品设计(原书第2版)(UI设计丛书)(全彩印刷)

用户体验要素:以用户为中心的产品设计(原书第2版)(UI设计丛书)(全彩印刷) AJAX之父Jesse James Garrett的经典畅销之作最新版 基本信息 原书名:The Elements of User Experience: User-Centered Design for the Web and Beyond,Second Edition  原出版社: Peachpit Pr...

weixin_34407348的博客 586

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

《用户体验要素-以用户为中心的产品设计》读后感

用了一周的时间才看完这本并不厚的书,这也是因为从现在开始,产品与项目方面的书基本上都会当做专业课一样的书籍来看待。简单点说,就是产品经理与项目经理这两个PM相关的书,都会仔细的好好学习,毕竟也是自己将来的主要目标。 原来看过一本《Don't Make Me Think》,也就是《点石成金》,据说也是此行的经典,但是当时也只是简单了看了看而已,东西到现在也忘的差不多了。这回从另一本开始,其实...

weixin_30814223的博客 402

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

学习笔记===《用户体验要素——以用户为中心的产品设计》

用户体验的概念:产品如何与外界发生联系并发挥作用,也就是人们如何“接触”和“使用”它。

软件测试技术的博客 185

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

《用户体验要素:以用户为中心的产品设计》笔记

buyue 200
上一篇: 推荐系统——基于邻域的推荐方法综述
下一篇: LaTex常用数学符号
PassionZheng
博客等级 码龄11年 110粉丝 110原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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