Machine Learning for Designers

出版者:O’Reilly

作者:Patrick Hebron

页数:72

出版时间:2016-6-9

价格:0

isbn号码:9781491956205

具体描述

Since the dawn of computing, we have dreamed of (and had night‐ mares about) machines that can think and speak like us. But the computers we’ve interacted with over the past few decades are a far cry from HAL 9000 or Samantha from Her. Nevertheless, machine learning is in the midst of a renaissance that will transform count‐ less industries and provide designers with a wide assortment of new tools for better engaging with and understanding users. These tech‐ nologies will give rise to new design challenges and require new ways of thinking about the design of user interfaces and interac‐ tions.

To take full advantage of these systems’ vast technical capabilities, designers will need to forge even deeper collaborative relationships with programmers. As these complex technologies make their way from research prototypes to user-facing products, programmers will also rely upon designers to discover engaging applications for these systems.

In the text that follows, we will explore some of the technical prop‐ erties and constraints of machine learning systems as well as their implications for user-facing designs. We will look at how designers can develop interaction paradigms and a design vocabulary around these technologies and consider how designers can begin to incor‐ porate the power of machine learning into their work.

作者简介

Patrick Hebron is a Scientist-in-Residence and Adjunct Graduate Professor at NYU’s Interactive Telecommunications Program. His research relates to the development of machine-learning-enhanced digital design tools. He is the creator of Foil, a next-generation design and programming environment that aims to extend the crea‐ tive reach of its user through the assistive capacities of machine learning. Patrick has worked as a software developer and design consultant for numerous corporate and cultural institution clients including Google, Oracle, Guggenheim/BMW Labs and the Edward M. Kennedy Institute.

目录信息

Machine Learning for Designers. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Introduction 1 Why Design for Machine Learning is Different 2 What Is Machine Learning? 6 Enhancing Design with Machine Learning 24 Dealing with Challenges 50 Working with Machine Learning Platforms 55 Conclusions 66 Going Further 67
· · · · · · (收起)

用户评价

阅读体验上的流畅度，在这本书中达到了一个极高的水准，这很大程度上归功于作者对语言的精确驾驭。很多技术写作的通病是过度使用晦涩的术语，或者为了显得高深而刻意使用冗长的句子结构，让人读起来感觉像是在进行一场文字解码游戏。这本书的文字则完全相反，它有一种清晰的、近乎对话式的节奏感。作者在介绍“神经网络”时，没有一开始就抛出“激活函数”或者“反向传播”这类名词，而是先用一个关于人类视觉皮层如何处理信息的类比作为引子，让读者的大脑先建立一个心理模型，然后再将技术术语精准地填入这个模型中。这种叙事上的循序渐进，极大地减少了阅读障碍，我发现自己可以非常顺畅地从一个章节过渡到下一个章节，几乎没有出现需要反复回读某段文字来理解其确切含义的情况。这种写作功力，本身就是一种高超的设计艺术，它让复杂的知识变得触手可及，极大地提升了学习的效率和愉悦感。

我原本对手头的项目感到非常头疼，因为我们需要在一个用户体验（UX）驱动的迭代中引入某种程度的自动化预测，但团队里完全没有人具备数据科学的背景，所有尝试都卡在了“代码黑箱”和“业务逻辑脱节”的怪圈里。这本书的叙述方式，就像是有一位经验丰富、语速适中的设计师导师，耐心地将数据科学的底层逻辑用我们熟悉的语言重新翻译了一遍。它没有直接跳入复杂的数学公式堆砌，而是非常巧妙地从“用户行为建模”和“界面优化”这些设计师最关心的痛点切入。比如，书中探讨“聚类分析”时，它没有直接展示K-means算法的优化函数，而是用“如何根据用户的设计偏好将他们自然地划分到不同的产品体验群组”这个场景来阐述其应用价值。这种“反向工程”式的教学方法极大地降低了我的认知负荷，让我能够快速抓住核心思想，知道在什么时候、什么情况下应该引入哪一种算法来解决特定的设计问题，而不是被复杂的数学细节绊住脚步。这种以问题为导向的讲解，让这本书成为了我手边随时可以查阅的“战术手册”，而不是只能束之高阁的理论指南。

这本书的深度和广度真的让人惊讶，它远超出了我预期的那种“入门级”介绍。我原以为它会停留在如何使用预设好的API工具包的层面，但它显然想让我们更深入地理解背后的哲学。其中有一个章节专门讨论了“算法的偏见与公平性设计”，这部分内容在我看来，是目前市面上所有偏向技术的书籍都常常忽略的伦理维度。作者非常坦诚地剖析了训练数据中隐藏的社会偏见是如何在设计决策中被放大，以及这种放大效应如何导致某些用户群体被系统性地边缘化。他引用了几个非常震撼的案例——比如一个自动排版系统如何因为训练集过度偏向西方古典美学而对非西方用户产生视觉上的“误判”——这迫使我开始重新审视我们日常使用的设计规范和默认设置。这本书真正做到了将技术与人文关怀结合，它不是在教我们如何“构建”系统，而是在引导我们思考如何“负责任地”构建系统，这对于任何一个面向大众的产品设计师来说，都是至关重要的警醒。

我是一个习惯于通过动手实践来巩固学习效果的人，很多书籍的配套练习都流于形式，要么太简单，要么就是照抄书本的例子。然而，这本书的实践环节设计得非常具有挑战性且贴近真实工作流。它提供的项目案例，比如“个性化色彩方案生成器”或“响应式布局的自动适应模型”，都不是那种教科书式的、已经被解决得一清二楚的玩具项目。相反，这些项目都伴随着明确的、甚至有些模糊不清的业务目标，需要读者自己去界定问题的边界、选择合适的数据集、并对初始模型的性能进行批判性评估。这种“从零开始”的模拟创业环境，让我体会到了真正的研发周期。更棒的是，作者在每一步都留下了开放性的讨论点，鼓励我们尝试使用不同的评估指标——例如，除了准确率，我们是否应该更关注“设计愉悦度”这个更主观的指标？这种引导式的探索，远比死记硬背代码库来得有价值，它培养的是一种解决复杂、开放性问题的“设计思维”。

这本书的封面设计简直是一场视觉盛宴，那种深邃的靛蓝色调配上简洁的几何图形，立刻就抓住了我的眼球。作为一名长期在设计领域摸爬滚打的从业者，我对于工具书的审美要求其实挺高的，很多技术类的书籍往往是黑白打印、排版僵硬，读起来像是在啃一本枯燥的说明书。但这本书不同，它在排版布局上明显下了不少功夫，留白恰到好处，字体选择既有现代感又不失易读性。尤其是它在引入一些复杂的概念时，经常会穿插一些精心制作的图表和信息图，这些图表不仅仅是信息载体的工具，本身就是优秀的设计作品。比如，它解释“决策树”工作原理的那一页，用类似折纸艺术的层次感来展现分支逻辑，让我第一次对这个概念产生了直观的、甚至是愉悦的理解。这种对视觉体验的重视，让我完全相信作者是真正懂得“设计”的价值，而不仅仅是把“机器学习”这个时髦的词汇套在任何主题上。读这本书，与其说是学习，不如说更像是在浏览一本高质量的专业杂志，充满了启发性，即使是休息时间翻阅，也能从中汲取到一些关于视觉传达的灵感。

比较浅，intro for newbies.

比较浅，intro for newbies.

一些简单介绍

比较浅，intro for newbies.

比较浅，intro for newbies.