يادگيري ماشيني

از آنجايي که هوش مصنوعي     (AI) در سال 2020 به سرعت پيشرفت مي کند و چون يادگيري ماشين و هوش مصنوعي مکمل يکديگرهستند، تسلط يافتن بر يادگيري ماشين اهميت ويژه اي دارد    .
اگر چه با وجود کتاب هاي درسي و مقالات متعدد ميتوانيد دانش مورد نياز خود را در اين حوزه کسب نماييد ، اما تا زماني که وقت خود را صرف انجام آزمايش و پروژه هاي واقعي ماشين لرنينگ   نکنيد ، هرگزنمي توانيد بر يادگيري ماشين مسلط شويد و تنها با کار با ابزارها و الگوريتم هاي ماشين لرنينگ مي توانيد درک کنيد که زير ساخت هاي آن در واقعيت چگونه کار مي کنند.
در اين مقاله ما ليستي از پروژه هاي برتر يادگيري ماشين را براي مبتديان، با در نظر گرفتن جنبه هاي اصلي ماشين لرنينگ ( يادگيري نظارت شده ، يادگيري بدون نظارت و يادگيري عميق و شبکه هاي عصبي) و با دقت انتخاب کرده ايم.در تمام اين پروژه هاي يادگيري ماشيني شما با مجموعه داده هاي دنياي واقعي که در دسترس عموم است شروع مي کنيد.اگر مي خواهيد در ماشين لرنينگ حرفه اي شويد ، براي شروع بايد تجاربتان را با چنين پروژه هايي به دست آوريد.
اکنون زمان آن رسيده تا تمام دانشي را که از طريق کتاب ها وآموزش هاي خود جمع آوري کرده ايد آزمايش کرده و پروژه ي يادگيري ماشين شخصي خود را بسازيد!

1. پيش بيني قيمت سهام

يکي از بهترين ايده ها براي شروع آزمايش در مورد پروژه هاي يادگيري ماشيني براي مبتديان ، کار در پيش بيني قيمت سهام است.

سازمان هاي تجاري و شرکت ها امروزه در جستجوي نرم افزاري هستند که بتوانند عملکرد شرکت را نظارت و تحليل کنند و قيمت هاي آينده سهام هاي مختلف را پيش بيني کنند.

با داده هاي بسيار زيادي که در بازار بورس موجود است ، اين کانون فرصت مناسبي براي دانشمندان داده که تمايل به امور مالي دارند ميباشد .
با اين حال ، قبل از شروع کار ، شما بايد دانش نسبتاً خوبي را در زمينه هاي زير داشته باشيد:

تجزيه و تحليل پيش بيني : با استفاده از تکنيک هاي مختلف هوش مصنوعي براي فرآيندهاي مختلف داده مانند کاوي داده ها ، اکتشاف داده ها و غيره براي پيش بيني رفتار نتايج احتمالي.
تحليل رگرسيون : تحليل رگرسيون نوعي تکنيک پيش بيني است که براساس تعامل بين متغير / متغير وابسته (هدف) و مستقل (پيش بيني کننده) ميباشد .
آناليز عمل : در اين روش کليه اقدامات انجام شده توسط دو روش ذکر شده در بالا مورد تجزيه و تحليل قرار مي گيرد که پس از آن نتيجه در حافظه يادگيري ماشين تغذيه مي شود.

مدل سازي آماري : فرايندي شامل ساخت توضيحات رياضي يک فرآيند در دنياي واقعي و توضيح عدم قطعيت ها در صورت وجود.

2. پيش بيني مسابقات ورزشي توسط يادگيري ماشين

2. درکتاب Moneyball از مايکل لوئيس ، تيم دو و ميداني اوکلند با ترکيب تکنيک پيشاهنگي بازيکنان خود و تحليل آن در برنامه بازي خود ، چهره بيس بال را دگرگون کردند. و درست مثل آنها ، شما نيز مي توانيد در دنياي واقعي ورزش را متحول کنيد!
از آنجا که هيچ کمبود اطلاعات و داده اي در دنياي ورزش وجود ندارد ، مي توانيد از اين داده ها براي ساخت پروژه هاي يادگيري ماشين سرگرم کننده و خلاق مانند استفاده از آمار ورزشي دانشگاه خودتان استفاده کنيد تا پيش بيني کنيد کدام بازيکن بهترين حرفه را در کدام رشته ورزشي (استعداديابي استعدادي).
همچنين مي توانيد با تجزيه و تحليل نقاط قوت و ضعف بازيکنان در يک تيم و طبقه بندي بازيکنان بر اساس آن ، مديريت تيم را ارتقا دهيد.با وجود آمار و اطلاعات ورزشي موجود ، اين يک عرصه عالي براي تسريع مهارتهاي اکتشاف و تجسم اطلاعات شما ميباشد. و ميتواند به شما کمک کند که رزومه کاريتان بسيار جالب تر از سايرين به نظر برسد. براي هر کسي که داراي مهارت خاصي در پايتون باشد ، Scikit-Learn گزينه ايده آلي خواهد بودزيرا شامل مجموعه اي از ابزارهاي مفيد براي تحليل رگرسيون ، طبقه بندي ، ورود داده ها و غيره است.

نتيجه گيري :
يادگيري ماشين هنوز در مراحل اوليه در سراسر جهان است و پروژه هاي زيادي وجود دارد که بايد انجام شود و و کارهاي بسياري نيز براي بهبود وجود دارد .
زماني که شروع به کار بر روي ايده هاي خود در پروژه هاي يادگيري ماشيني مي کنيد ، نه تنها مي توانيد نقاط قوت و ضعف خود را آزمايش کنيد ، بلکه در معرض ديد قرار مي گيريد و ميتواند فرصت مناسبي جهت تقويت شغل شما باشد.
داشتن ذهن هوشمند و ايده هاي خلاق در ماشين لرنينگ، باعث ميشود تا مشاغلي با سيستم هاي پشتيباني پيشرفت کرده و سريعتر و سودآوتر مي شوند.

3. ايجاد يک شبکه عصبي توسط ماشين لرنينگ که بتواند دست خط را بخواند.

يادگيري عميق و شبکه هاي عصبي دو رکن اصلي هستند که در هوش مصنوعي اتفاق مي افتد. اين دو ما را به شگفتي هاي تکنولوژيکي مانند اتومبيل بدون راننده ، تشخيص تصوير و غيره نزديک تر ميکنند .بنابراين ، اکنون زمان اکتشاف در عرصه شبکه هاي عصبي است.
پروژه يادگيري دستگاه شبکه عصبي خود را با چالش طبقه بندي رقمي دست نويس MNIST آغاز کنيد. اين رابط کاربري براي مبتديان بسيار کاربر پسند و ايده آل ميباشد .

4. يک آناليزور احساسات تهيه کنيد!

اگرچه بيشتر ما از رسانه هاي اجتماعي براي انتقال احساسات و نظرات شخصي خود در جهان استفاده ميکنيم، يکي از بزرگترين چالش ها درک "احساسات" در پشت پست هاي رسانه هاي اجتماعي است.به نظر ايده جالبي براي پروژه يادگيري ماشين بعدي شماست! رسانه هاي اجتماعي تعداد زيادي محتواي توليد شده توسط کاربران رو به رشد دارندد. با ايجاد يک سيستم ماشين لرنينگ که مي تواند احساسات موجود در متن ها يا يک مقاله را مورد تجزيه و تحليل قرار دهد ، درک سازمان ها از رفتار مشتريانشان را بسيار ساده تر مي کند. اين موضوع به نوبه خود به آنها امکان مي دهد خدمات مشتري خود را بهبود بخشند و از اين طريق زمينه اي براي رضايت بيشتر مصرف کننده فراهم کنند. براي شروع کار با پروژه تجزيه و تحليل احساسات ، مي توانيد داده هاي مربوط به توييتر يا Reddit را استخراج کنيد.

5.سيستم قيمت گذاري بليط فيلم

با گسترش سيستم عامل هاي OTT مانند Netflix ، Amazon Prime ، مردم ترجيح مي دهند به راحتي فيلم هاي مورد علاقه شان را تماشا کنند. عواملي مانند قيمت گذاري ، کيفيت محتوا و بازاريابي بر موفقيت اين سيستم عامل ها تأثير گذاشته است.
هزينه ساخت يک فيلم حرفه اي اخيرا بسيار افزايش يافته است. وتنها 10? فيلم هايي که ساخته مي شوند سود قابل توجهي کسب مي کنند. رقابت شديد سيستم عامل هاي تلويزيوني و OTT به همراه هزينه بالاي بليط باعث شده است تا فروش بليط فيلم ها سخت تر شوند.
يک سيستم قيمت گذاري پيشرفته بليط قطعاً مي تواند به سازندگان و بينندگان فيلم کمک کند. با افزايش تقاضاي بليط و برعکس ، قيمت بليط ها مي تواند بالاتر و يا کمترشود. هرچه زودتر بيننده بليط تهيه کند ، هزينه کمتري براي فيلمي با تقاضاي زياد دارد. سيستم شما بسته به علاقه بينندگان ، سيگنالهاي اجتماعي و عوامل تقاضاي عرضه ،بايد به طور هوشمندانه قيمت گذاري را محاسبه کند.

6- سيستم بهداشت  را با يادگيري ماشيني تقويت کنيد !

برنامه هاي کاربردي هوش مصنوعي و ماشين لرنينگ از چندي قبل شروع به نفوذ در صنعت مراقبت هاي بهداشتي کرده اند و به سرعت در حال تغيير کيفيت مراقبت هاي بهداشت جهاني ميباشند. توليد لباس هاي بهداشتي ، نظارت از راه دور ، جراحي روباتيک و غيره ، همه به کمک الگوريتم هاي يادگيري ماشين با استفاده از هوش مصنوعي در حال پيشرفت ميباشند.
ماشين لرنينگ نه تنها به HCP ها (ارائه دهندگان مراقبت هاي بهداشتي) براي ارائه مراقبت هاي بهداشتي سريع و بهتر کمک مي کنند ، بلکه ميزان وابستگي و بار کار پزشکان را نيز به ميزان قابل توجهي کاهش مي دهند. بنابراين ، چرا از مهارت هاي خود براي ايجاد يک پروژه مفيد و چشمگيرماشين لرنينگ بر اساس داده هاي مراقبت هاي بهداشتي استفاده نمي کنيد؟ صنعت بهداشت داده هاي بسياري را در اختيار دارد. با استفاده از اين داده ها ، مي توانيد سيستم هاي مراقبتي تشخيصي که مي توانند به صورت خودکار اسکن تصاوير ، اشعه ايکس و غيره را انجام دهند و تشخيص دقيقي از بيماري هاي احتمالي آينده در هر شخص ارائه دهند ايجاد کنيد و يا برنامه هايي براي مراقبت هاي پيشگيرانه ايجاد کنيد که مي توانند امکان همه گيرشدن بيماري هايي مانند آنفولانزا ،کرونا ، مالاريا و غيره را در جامعه و در سطح ملي پيش بيني کرده و کاهش دهد .

نتيجه گيري :

يادگيري ماشيني هنوز در مراحل اوليه در سراسر جهان ميباشد و پروژه هاي زيادي وجود دارد که بايد انجام شود  و کارهاي بسياري نيز براي بهبود وجود دارد .

زماني که شروع به کار بر روي ايده هاي خود در پروژه هاي يادگيري ماشيني مي کنيد ، نه تنها مي توانيد نقاط قوت و ضعف خود را آزمايش کنيد ، بلکه در معرض ديد قرار مي گيريد وهمينطور  ميتواند فرصت مناسبي جهت تقويت شغل شما باشد.

داشتن ذهن هوشمند و ايده هاي خلاق در ماشين لرنينگ، باعث ميشود تا مشاغلي با سيستم هاي پشتيباني، پيشرفت کرده و  سريعتر و سودآوتر شوند.

آيا مي‌خواهيد برنامه اندرويدي متناسب با کسب و کار خود را بسازيد ، يا از طريق ساخت يک اپليکيشن کاربردي کسب درامد کنيد ؟

مطمئنا اگر به اين موضوعات فکر کرده باشيد براي شما اين سوال پيش آمده که کدام زبان برنامه نويسي براي شما بهترين انتخاب است؟ در اين مقاله به زبان هايي خواهم پرداخت که براي توسعه برنامه هاي اندرويدي قابل استفاده است.

اندرويد بي شک رايج ترين سيستم عامل موبايلي در جهان است. اندرويد توسط گوگل در اوت سال 2008 خريداري و توسعه داده شد. اندرويد بر پايه ي لينوکس بوده و کاملا متن باز است، به اين معني که هر شرکت يا فردي مي‌تواند آن را دانلود کرده و از آن براي محصولات خود استفاده کند. در اصل ، اين سيستم عامل از طريق شرکت اندرويد براي دوربين‌هاي ديجيتال و موبايل طراحي شده بود اما در حال حاضر ، 2.3 ميليارد تلفن هوشمند اندرويد در جهان وجود دارد! که اين رقم بي شک بي نظير است.

اندرويد نه تنها از دو ميليارد تلفن هوشمند ، لپ‌تاپ ، تبلت و کامپيوترهاي شخصي پشتيباني ميکند ، بلکه اندرويد قلب تپنده ميلياردها دستگاهي است که در زندگي روزمره خود از آنها استفاده مي‌کنيد. برخي از اين وسايل عبارتند از: تلويزيون ، سيستم‌هاي امنيت خانگي ، باکس هاي تلويزيوني ، دوربين ها ، ماشين ها ، سيستم‌هاي ناوبري ، تبلت هاي هوشمند ، بازي رايانه‌اي ، وسايل خانگي هوشمند و ….

حالا با اين همه وجود نياز به اندرويد و زمينه کاري بسيار پر رونق آن به نظر شما چه زبان برنامه نويسي مناسب تر است ؟

در اين مقاله من سعي دارم پنج مورد از بهترين و رايج ترين زبان هاي برنامه نويسي ، براي توسعه اندرويد را به شما گفته و مزيت هاي هر کدام را براي شما بازگو کنم.

1) جاوا

زبان جاوا محبوب‌ترين زبان برنامه‌نويسي در اين زمينه است. جاوا يک زبان برنامه‌نويسي استاتيک ، همه منظوره و متن باز است. جاوا از زمان راه‌اندازي سيستم‌عامل اندرويد , زبان برنامه‌نويسي اوليه اين سيستم عامل بوده است . جاوا در سال 1995 توسط James Gosling ساخته شد. اين زبان برنامه نويسي در حال حاضر متعلق به اوراکل است.

جاوا براساس ++c ساخته شد تا يادگيري آن براي توسعه دهندگان ساده باشد. اين زبان همراه با ++c بهترين زبان‌هاي برنامه‌نويسي براي دانشجويان و افراد تازه کار براي يادگيري اصول برنامه‌نويسي هستند. زبان جاوا توسط بسياري از دانشگاه‌ها به عنوان اولين زبان برنامه‌نويسي براي آموزش به دانشجويان استفاده ميشود.

برخلاف زبان هاي سوئيفت، سي شارپ و کاتلين ممکن است جاوا زبان برنامه‌نويسي مدرني نباشد و مانند زبان هاي ديگر مدام بروزرساني نشود. با اين حال , زبان جاوا نقطه شروعي را براي توسعه دهندگان جديد مشخص ميکند. يادگيري زبان جاوا در مقايسه با کاتلين بسيار ساده‌تر است. اگر يک توسعه دهنده تازه کار هستيد و ميخواهيد توسعه اندرويد را ياد بگيريد , جاوا يکي از آسان‌ترين راه‌ها براي شروع است.پس بهتر است از آن غافل نشويد.

2) #C

زبان #C توسط مايکروسافت در سال 2000 ايجاد شد. سي شارپ يک زبان برنامه‌نويسي ساده ، انعطاف‌پذير ، ايمن ، و متن باز بوده و يکي از پراستفاده ترين زبان‌هاي برنامه‌نويسي حال حاضردر جهان است. سي شارپ به توسعه‌دهندگان اجازه مي‌دهد تا تمام برنامه‌هاي کاربردي از قبيل ويندوز ، کنسول‌ها ، برنامه‌هاي وب ، برنامه‌هاي موبايل ، و سيستم‌هاي backend را بسازند.

برنامه نويسان سي شارپ مي‌توانند برنامه‌هاي کاربردي ios و اندرويد را با کمک Xamarin بسازند . Xamarin به عنوان بخشي از ويژوال استوديو ابزاري است که به توسعه دهندگان اجازه ميدهد کدهاي سي شارپ خود را به برنامه هاي بومي اندرويد و يا ios تبديل کنند. سي شارپ طراحان را قادر مي‌سازد که برنامه‌هاي کاربردي ios بومي و اندرويد را بدون آگاهي از يک زبان برنامه‌نويسي جديد بسازند.

3) پايتون

پايتون يکي از رايج‌ترين زبان‌هاي برنامه‌نويسي زمانه اخير است. پايتون که توسط Guido van Rossum در سال 1991 ايجاد شد. اين زبان متن باز ، سطح بالا(ازين نظرکه به زبان انسان نزديک است) ، پيشرفته و همه منظوره است.

پايتون يک زبان برنامه‌نويسي پويا است که از پارادايم‌هاي توسعه شي گرا ، تابعي و رويه‌اي پشتيباني مي‌کند. اين زبان در برنامه‌نويسي يادگيري ماشين بسيار محبوب است. در توسعه نرم‌افزار هاي اندرويد ، پايتون جهت ايجاد کتابخانه‌ها ، توابع ، و ديگر وظايف پردازش به کار مي‌رود .و جدا از موضوع مقاله که در مورد برنامه نويسي اندرويد ميباشد به نظر من بهترين زبان برنامه نويسي حال حاضر دنياست.

4) کاتلين

کاتلين يک زبان برنامه‌نويسي مدرن , دقيق , ايمن , شي گرا و سازگار با همه ي پلتفرم هاست که توسط يک شرکت نرم‌افزاري به نام JetBrains در سال 2011 ساخته شده‌است. اين زبان براي ساخت نرم‌افزارهاي کاربردي , برنامه هاي اندرويد و برنامه‌هاي بومي استفاده مي‌شود. در حال حاضر گوگل توسط شرکت گوگل پشتيباني ميشود.

زبان کاتلين از زمان انتشار Android Studio 3.0 در اکتبر سال 2017 به عنوان زبان برنامه‌نويسي رسمي براي اندرويد استفاده شده‌است. اين زبان براي طراحي برنامه‌هاي کاربردي ، ساخت اپليکيشن هاي مدرن و ارائه قابليت‌هاي جديد براي توسعه دهندگان طراحي شده است. کاتلين براي شما سادگي , انعطاف‌پذيري و بهره‌وري را فراهم مي آورد.

کد هاي نوشته شده در اين زبان نسبت به زبان جاوا کوتاه تر و تميز تر است. براي پروژ هاي اندرويد شديدا ً توصيه مي‌کنم که از اين زبان استفاده کنيد .

5) ++C

++C يکي از قديمي‌ترين و محبوب‌ترين زبان‌هاي برنامه‌نويسي است. ++C اين زبان براي ساختن رابط هاي کاربري يا صفحات برنامه استفاده نمي‌شود ودر فرآيند توسعه اندرويد ، ++C براي ساختن API ها و وظايف backend استفاده مي‌شود. توسعه دهندگان front end درگير توسعه ++C نيستند ، بلکه کارکرد اين زبان بيشتر مربوط به API هاست که مربوط به بخش back-end است. کتابخانه هاي معروفي در + +C وجود دارند که براي توسعه دهندگان Android در دسترس هستند و ميتوانند از آنها در برنامه هاي خود استفاده کنند.

نتيجه‌گيري

اندرويد رايجترين سيستم‌عامل در دنيا است. براي ساخت اپليکيشن اندرويد از دو زبان برنامه‌نويسي اصلي يعني جاوا و کاتلين استفاده شده‌است. در حالي که زبان برنامه‌نويسي جاوا يک زبان برنامه‌نويسي قديمي است اما زبان کاتلين يک زبان سريع واضح و در حال تکامل است. اگر شما يک توسعه دهنده جديد هستيد و به تازگي مي‌خواهيد توسعه برنامه هاي اندرويدي را شروع کنيد، پيشنهاد من به شما زبان کاتلين است.

همچنين ما به تازگي دوره هاي جديد متناسب با بازار کار را درکانون کارآفريني دانشگاه تهران براي مخاطبانمان در نظر گرفته ايم که شما ميتوانيد براي آشنايي بيشتر با اين دوره ها که از آن ها ميتوان به آموزش برنامه نويسي جاوا و اندرويد اشاره کرد ، به صفحه آمانج مراجعه فرماييد.

طبق آخرين مطالعات آماري انجام شده در دوره پيش از ينگ تلگرام، اين شبکه اجتماعي به همراه اينستاگرام و واتس‌اَپ داراي بيشترين فراواني عضويت در بين ايرانيان بوده است    .

در اين ميان حدود 94.5 درصد از تلگرام 43.1 درصد از اينستاگرام و 24.3 درصد از واتساپ به طور فعال استفاده کرده اند.
همين آمارها نشان ميدهد که بازاريابي شبکه هاي اجتماعي از چه جايگاه بالا و مهمي برخوردار است و عدم حضور دراين فضا عملا رقابت را براي صاحبان کسب و کار بشدت سخت خواهد کرد.

اما من در اين مقاله من قصد دارم از 5اشتباهات رايجي که در شبکه هاي اجتماعي توسط برند ها و کسب وکارهاي مختلف انجام شده و يا خودم شخصا مرتکب آن شده ام صحبت کنم.

1) شرکت من بايد در تمام شبکه هاي اجتماعي باشد!

اين مطلب را براي شما با گفتن يک داستان شروع ميکنم ،
چندي پيش يکي از برند هاي تقريبا مطرح در بازار پوشاک شروع به فعاليت در 12 شبکه ي اجتماعي کرد تا هيچ کاربر ايراني را از دست ندهد و به نوعي هر کس هرجا بود بتواند تبليغات و محصولات اين برند را ببيند با اين شعار که :
هر فضايي که کاربر ايراني در آن فعال است ما هم بايد باشيم!

نه تنها از خودتان بلکه اگر از يک ديجيتال مارکتر هم اسم 12 شبکه ي اجتماعي را بپرسيد شايد نتواند به شما پاسخ بدهد،
ما قرار نيست به عنوان برند ، استارت آپ و يا هر چيز ديگري در تمام ما ميتوانيم با يک استراتژي قوي و درست در چند شبکه اجتماعي فعاليت متمرکز کرده و هزينه و زمان خود را در مسيرهاي فرعي از بين نبريم.

براي مثال يک کسب و کار B2B يا يک فعاليت صنعتي مي‌تواند در لينکدين و اينستاگرام فعاليت مستمر با بازدهي بالا داشته باشد ولي توييتر در ايران براي اين سبک کسب و کارها اصلا مناسب نيست .

2) برند رقيب ما در اينستاگرام هست ،پس ما هم بايد باشيم!

از صاحبين کسب و کارهاي زيادي اين جمله را که چون رقيب بيزينس ما در فلان شبکه‌ي اجتماعي فعاليت ميکند پس لازم است که ماهم در آن حضور داشته باشيم.در اينگونه موارد بنظرم بهترين راه حل اين است که ابتدا کاربران خود را بشناسيم و از خود بپرسيم که:

• آيا مخاطب ما به فرض،‌ در اينستاگرام فعاليت دارد؟
• آيا پيج رقيب‌مان را در اينستاگرام تحليل کرده‌ايم؟
• آيا ما ميتوانيم محتوايي متناسب با فضاي اينستاگرام توليد کنيم؟

3) هر شبکه مجازي راه و روش خودش را دارد.

من به شخصه خيلي از کسب و کارها را ديده ام که در چند شبکه اجتماعي فعال بوده و فقط يک نوع محتوا را در همه جا منتشر ميکنند.
هميشه و هميشه بايد اين را در نظر داشت که کاربران در هر شبکه اجتماعي رفتار خاصي دارند و قرار نيست يک محتوا با يک فرم و شکل يکسان در تمامي فضاها منتشر کنيم.

هر فضايي لحن محتوايي خود را دارد و نميتوان به يک شکل عمل کرد. اين راهم بايد در نظر بگيريم که اگر فرصت توليد محتوا براي هر شبکه اجتماعي را نداريم خيلي بهتر هست که اصلا به آن رسانه ورود نکنيم.
در يک جمله ميتوان گفت که :‌ هر شبکه اجتماعي، استراتژي خاص خود را دارد.

هميشه از خود بپرسيم اگر محتواي يکسان در تمامي فضاها توليد مي‌کنيم، چه دليلي وجود دارد که کاربران آنلاين در تمامي فضاها ما را دنبال کنند. بدنبال اين باشيد که انتظار کاربر از شما در آن فضا چيست و چطور مي‌توانيد آن را محقق کنيد.

بهترين حالت ممکن اين است که براي همان تعداد محدود شبکه اجتماعي که در آن فعال هستيد يک استراتژي محتوايي داشته باشيد تا بتوانيد به درستي آن را مديريت کنيد.بعد از مدتي خواهيد فهميد که چه قدر نرخ تعامل يا همان engagement rate شما رشد خواهد کرد.

4) شروع قوي با فالوئر فيک!!!

در شروع فعاليت در هر شبکه اجتماعي چندماهي زمان مي‌برد تا به ممبرها يا فالوئرهاي مناسبي برسيم. متاسفانه در ايران کسب و کارها براي اينکه سريعتر به نتيجه برسند با فالوئر و ممبر فيک شروع مي‌کنند. تعدادي فالوئر فيک خريداري مي‌کنند تا با 0 فالوئر شروع نکنند که مبادا پيج‌شان ظاهر بدي داشته باشد.

نه تنها شروع بلکه ادامه دادن نيز با فالوئر هاي فيک بشدت به شما ضربه خواهد زد چراکه الگوريتم هاي شبکه هاي اجتماعي بشدت قوي و هوشمند شده اند و به راحتي فعاليت غير عادي شما را گزارش ميکنند.
به علاوه داشتن فالوئر فيک خيانت به خودتان است چرا که مخاطب داريد ولي فروش نه! و اين مقدمه‌ي خوبي براي نا اميدي از ادامه‌‌‌‌ي فعاليت است.

5) فعاليت بيشتر = رشد بيشتر ؟؟؟

اشتباه ديگري که کارشناسان شبکه هاي اجتماعي و مديران کسب و کار دارند انتشار حجم زيادي از محتوا در هفته و ماه مي‌باشد.
امروزه اغلب الگوريتم‌هاي جديد شبکه هاي اجتماعي مثل الگوريتم هاي اينستاگرام اولويت خود را به کيفيت محتوا و نرخ تعامل مخاطب با محتوا داده‌اند پس ومي ندارد که هفت روز هفته در شبکه هاي اجتماعي فعال باشيم.بهتر است به اين فکر کنيم که چگونه مي‌توانيم پست‌هاي متفاوت و محتواهاي جذابي به روش هاي مختلف بگذاريم.
برنامه ريزي براي توليد محتوا ارزشمند تر از برنامه ريزي براي انتشار آن است چه براي سئو سايت چه براي رشد در شبکه هاي اجتماعي.

ديجيتال مارکتينگ 

ديپ لرنينگ: نکات مهم درباره يادگيري عميق که بايد بدانيد

مقدمه    :
اين روزها بحث هاي گوناگوني درباره وظايف انسان که مي تواند توسط ماشين ها جايگزين شود وجود دارد. در حالي که فناوري به سرعت و همراه با ترس و هيجان در حال پيشرفت است؛ عباراتي مانند هوش مصنوعي، ماشين لرنينگ و ديپ لرنينگ ممکن است شما را دچار اضطراب کنند .
هوش مصنوعي به طور ساده به معني انجام وظايف انساني توسط ماشين هاي هوشمند مي باشد.ديپ لرنينگ ( يادگيري عميق ) زير مجموعه ماشين لرنينگ است؛ که توسط هوش مصنوعي و با تقليد از عملکرد مغز انسان، قادر به پيش بيني خروجي ها و ايجاد الگوهاي تصميم گيري است. ديپ لرنينگ به شبکه هاي عصبي مصنوعي اشاره دارد که از چندين لايه يادگيري تشکيل شده اند. همچنين از بسياري از DNN ها به منظور يادگيري سطح انتزاع استفاده مي کند.

فهرست:

1. يادگيري عميق چگونه کار مي کند؟
2. ديپ لرنينگ يک "يادگيري ويژگي" داراي سلسله مراتب است
3. انواع الگوريتم ماشين لرنينگ
4. يادگيري عميق در ماشين لرنينگ
5. جمع بندي

1. يادگيري عميق و شبکه هاي عصبي چگونه کار مي کنند؟

ديپ لرنينگ در دوره ديجيتال تکامل يافته است. که باعث پديد آمدن داده هايي به نام داده هاي بزرگ ( Big Data ) شده است. اين داده ها از وب سايت هاي رسانه هاي اجتماعي، موتورهاي جستجو و سيستم عامل هاي تجارت الکترونيکي گردآوري جمع آوري شده اند. اين داده هاي بزرگ قابل دسترس بوده و از طريق ابر رايانه ها به اشتراگ گذاشته مي شوند.
ايده ديپ لرنينگ را مي توان به اين شکل توصيف کرد:

با اين حال، اين داده هاي بزرگ معمولا به شکلي بدون ساختار هستند. ممکن است سال ها طول بکشد تا انسان بتواند اطلاعات مربوط را از آن کشف و استخراج کند. شرکت ها با اتکا به برخي از سيستم هاي مبتني بر هوش مصنوعي ، پتانسيل مورد نياز براي آن را درک کرده و از به هدر رفتن سرمايه جلوگيري مي کنند. در حال حاضر رايانه هايي با ظرفيت هاي کافي براي مدل هاي ديپ لرنينگ و همچنينن داده هاي بزرگ به منظور آموزش شبکه هاي عصبي ديپ لرنينگ فراهم است. . از آن جهت به آن يادگيري عميق مي گويند که شبکه هاي عصبي داراي لايه هاي مختلف و عميقي هستند که يادگيري را امکان پذير مي سازند. تقريبا در مورد هر مشکلي که نياز به فکر کردن باشد؛ ديپ لرنينگ مي تواند آموزش ببيند.
عملکرد شبکه هاي عصبي روز به روز بهتر مي شود؛ چرا که به طور مستمر اطلاعات بيشتري به آن ها تغذيه شده و آموزش مي بينند. همين امر، يادگيري عميق را از ساير تکنيک هاي ماشين لرنينگ متمايز کرده است. علاوه بر افزايش اطلاعات، الگوريتم هاي يادگيري عميق از قدرت محاسباتي قوي تري که امروزه در دسترس است بهره مي برند. گسترش هوش مصنوعي نيز تاثير بسزايي در اين روند داشته است. هوش مصنوعي به عنوان يک سرويس به سازمان هاي کوچکتر امکان دسترسي به فناوري هوش مصنوعي، و به طور خاص الگوريتم هاي هوش مصنوعي مورد نياز براي يادگيري عميق را داده است.

2. ديپ لرنينگ يک "يادگيري ويژگي" داراي سلسله مراتب است

يادگيري ويژگي چيست؟
يادگيري ويژگي به مجموعه اي از تکنينک ها اطلاق مي شود که امکان يادگيري يک ويژگي را داراست. براي مثال طبقه بندي داده هاي خام. يادگيري ويژگي در قالب سلسله مراتب هوش مصنوعي کار مي کند.
علاوه بر مقياس پذيري، ديپ لرنينگ به ما امکان يادگيري ويژگي را نيز مي دهد. به طور کلي، يادگيري مراحل پيچيده را براي ماشين ها آسان مي کند. يادگيري عميق به استفاده از ساختارهاي ناشناخته در داده هاي ورودي کمک مي کند. در لايه هاي بالاتر، ويژگي هاي ديپ لرنينگ به چند لايه تقسيم مي شوند. ويژگي هاي يادگيري در چندين سطح به ماشين ها براي درک سيستم هاي پيچيده يادگيري عميق کمک مي کنند.

3. انواع الگوريتم ماشين لرنينگ

الگوريتم هاي شبکه عصبي در ماشين لرنينگ به طور گسترده به چهار بخش تقسيم مي شوند:
الف: الگوريتم يادگيري نظارت شده
الگوريتم هاي يادگيري نظارت شده سعي مي کنند تا روابط و وابستگي هاي بين خروجي پيش بيني شده مورد نظر و ويژگي هاي ورودي را الگوبرداري کنند؛ تا بتوانيم براي داده هاي جديد، مقادير خروجي را بر اساس روابطي که از مجموعه داده هاي قبلي آموخته است، پيش بيني کنيم. در نتيجه در الگوريتم يادگيري نظارت شده به منظور آموزش مدل ديپ لرنينگ، نيازمند داده هاي داراي برچسب هستيم. داده هاي داراي برچسب، حاوي ورودي و خروجي هدف هستند.

ب: الگوريتم يادگيري بدون نظارت
در اين الگوريتم، کامپيوترها با داده هاي بدون برچسب آموزش داده مي شوند. الگوريتم هاي يادگيري بدون نظارت تلاش مي کنند تا با استفاده از تکنينک هايي بر روي داده هاي ورودي، الگوها را تشخيص دهند، داده ها را خلاصه و گروه بندي کنند و به ارائه پيشنهادي معنا دار کمک کنند. در اين الگوريتم هم نيازمند داده هاي داراي برچسب هستيم؛ اما خروجي هدف وجود ندارد.

ج: الگوريتم يادگيري نيمه نظارتي
اين الگوريتم بين دو حالت قبلي قرا مي گيرد. در بسياري از شرايط، هزينه برچسب دار کردن داده ها زياد است. زيرا نيازمند متخصصان ماهر است. بنابراين، در مواجهه با اين موارد، الگوريتم هاي يادگيري نيمه نظارتي بهترين انتخاب براي ساخت مدل هستند. اين الگوريتم بر اين ايده است که اگرچه گروه داده هاي بدون برچسب نامشخص است؛ اما اين داده ها اطلاعات ارزشمندي درباره پارامترهاي گروه را دارا هستند.

د: الگوريتم يادگيري تقويتي
اين الگوريتم مربوط به چگونگي انجام اقدامات نرم افزاري در يک محيط است. الگوريتم يادگيري تقويتي يراي تصميم گيري آموزش مي بيند. اين الگوريتم خود را بر اساس سعي و خطا در تصميم گيري، آموزش مي دهد.

4. يادگيري عميق در ماشين لرنينگ

يکي از رايج ترين تکنيک هاي مبتني بر هوش مصنوعي براي پردازش داده هاي بزرگ، ماشين لرنينگ است. الگوريتم خود-سازگار به طور مداوم بر اساس الگوها، بهتر شده و خود را آموزش مي دهد. يادگيري عميق به ماشين ها اجازه مي دهد حتي در هنگام استفاده از مجموعه داده اي که بسيار متنوع ، بدون ساختار و به هم پيوسته است ، مشکلات پيچيده را حل کنند. هرچه الگوريتم هاي يادگيري، عميق تر ياد بگيرند ، عملکرد بهتري خواهند داشت.
بياييد با يک مثال جلو برويم:
اگر يک شرکت پرداخت ديجيتال در صدد تشخيص وقوع ي در سيستم پرداخت خود باشد، مي تواند از ابزارهاي يادگيري ماشين استفاده کند. الگوريتم محاسباتي که در درون سيستم ساخته شده است، قادر به بررسي تمام معاملات انجام شده است. بنابراين، طبق مجموعه داده هاي مختلف مي توان الگوي ناهنجاري هاي رخ داده در سيستم را مشاهده کرد. اين ابزارها، کار را به صورت خودکار انجام داده و از دسترسي غير مجاز سيستم ها جلوگيري مي کنند. ديپ لرنينگ، زير مجموعه شبکه ماشين لرنينگ است که از شبکه عصبي مصنوعي (ANN ) در جهت انجام فرايندها استفاده مي کند.

عملکرد شبکه هاي عصبي مصنوعي مانند مغزهاي کوچک انساني است که با گره هاي عصبي متصل به يک شبکه ساخته شده اند. تجزيه و تحليل در برنامه هاي سنتي به صورت خطي است؛ حال آن که ويژگي سلسله مراتبي يادگيري عميق، داده ها را با استفاده از تکنيک هاي غير خطي تحليل مي کند.
يک رويکرد سنتي براي تشخيص دسترسي به در سيستم ديجيتال، بر مبناي معاملات است. اولين لايه شبکه عصبي عميق داده هايي مانند ميزان معامله انجام شده را پردازش کرده و آن را به لايه بعدي منتقل مي کند. در لايه دوم، IP هاي اختصاص داده شده به کاربران بررسي مي شود و سپس به لايه بعدي ارسال مي شود. سطح بعدي، اطلاعاتي که در لايه قبلي به دست آمده دريافت و پردازش مي کند. در اين لايه موقعيت جغرافيايي آنان بررسي شده و سپس به لايه بعدي منتقل مي شود. در اين روش، ديپ لرنينگ الگوها را بررسي کرده و ناهنجاري ها را شناسايي مي کند. هنگامي که داده ها به اين سلسله مراتب مي رسند بهتر پردازش مي شوند. معمولا مجموعه داده هاي بيشتري را به دست مي آورند تا بازده بهتري حاصل شود.

5.جمع بندي:
يادگيري عميق از انسان تقليد کرده و از طريق الگوريتم شبکه عصبي مصنوعي تصميم گيري مي کند. داده هاي بدون ساختار و بدون برچسب را مي توان با ديپ لرنينگ پردازش کرد. همچنين از يادگيري عميق مي توان براي شناسايي پولشويي در سيستم ها استفاده کرد.
الگوهاي ديپ لرنينگ فقط براي تنها براي ثبت الگوهاي معاملاتي ايجاد نمي شوند؛ بلکه به منظور هشدار در صورت بروز فعاليت هاي انه نيز کاربرد دارند. لايه هاي آخر، به يک تحليل گر هشدار مي دهد؛ تحليل گر، حساب کاربر را مسدود کرده و تمام معاملات آن را متوقف مي سازد.
يادگيري عميق در تمام صنايع مورد استفاده قرار مي گيرد. مثلا مي توان از ديپ لرنينگ در تحقيق پزشکي به عنوان يک ابزار براي تشخيص امکان استفاده مجدد از داروها بهره برد. يا گوگل در نتايج تحقيقات خود يک واقعيت افزوده را منتشر کرده که مبتني بر ماشين لرنينگ است. همچينين از يادگيري عميق در اپليکيشن هاي مصرف کنندگان و برنامه هاي تجاري که از تشخيص تصوير استفاده مي کنند، کمک گرفته مي شود. نکته اصلي اين است که لايه هاي شبکه عصبي يادگيري عميق توسط مهندسين انساني طراحي و سخته نمي شوند؛ بلکه توسط مجموعه داده ها و با استفاده از فرايند يادگيري چند منظوره ايجاد مي شوند.

براي خيلي از ماها پيش اومده که به يه مصاحبه کاري بريم و استرس داشته باشيم که قراره سوالا چي باشه ؟ چيا جواب بديم ؟ اگه بد جواب بدم چي ؟ اگه ازم خوشش نياد چي ؟

براي هرکدوم از اينها کلي استرس کشيديم و ندونستيم که چکار کنيم تا اين معضل رو حل کنيم .
مخصوصا تو حوزه هاي کاري نوپا و يا حوزه هايي که افراد کم تري داخلش مشغول به فعاليت هستن مثل برنامه نويس هاي وبسايت ، ديجيتال مارکتر ها و طراحان تجربه کاربري و رابط کاربري . يکي از معضلاتي که توي صحبت با اکثر اين افراد داشتيم اين بوده که ، نميدونيم قراره تومصاحبه چيا ازمون پرسيده شه و ما چيا جواب بديم ؟ توي اين مقاله ميخواهيم به عزيزان طراحي تجربه کاربري (ux) توجه بيشتري کنيم و اين مشکل را براشون حل کنيم تا بدونن توي مصاحبه هاي طراحي تجربه کاربري قراره چيا ازشون پرسيده شه و چه نکات و ترفندهايي رو بايد توجه کنن . پس با ما همراه باشيد :

1- طراحي تجربه کاربري (ux) چيه ؟ چرا مهمه؟ پروسه انجام تجربه کابري چيه؟

مي خوان بفهمن که تا چه حد روي مسائل پايه و مفهوم طراحي نجربه کاربري مسلطي ؟

با اينکه اين يک سوال کاملا عموميه اما نبايد شما جوابهاي کلي بديد. بايد برروي تعاريفي زوم کنيد که شما را به عنوان يک طراح نشان دهد. توضيحات شما بايد واضح و در دسترس باشد بايد تصور شما از توضيحاتتون اين باشه که داريد به يک بچه 10 ساله توضيح ميديد.
براي سوال اينکه ” چرا لازمه ؟” ، اين سوال رو به عنوان يک فرصت براي نشون دادن علاقتون براي اهداف طراحي شرکت استفاده کنيد . همچنين ميتونين از اين سوال استفاده کنيد تا بتونيد يک داستان از ديد و توجهتون در اهميت تجربه هاي انسان محور بگيد تا محتواي طراحيتون براي طرف مقابل مشخص شه .
براي سوال ” روند طراحي تجربه کاربري چيه ؟”
– تحقيقات کاربري (user research)
– قابليت کابري ( استفاده ) (usability)
– معماري اطلاعات
– طراحي رابط کابري(UI design)
– طراحي تعاملي(interaction design)
– استراتژي تجربه

ترفند : در تعريفتون از طراحي UX حتما از اهميت کاربراني که ميخوايد براشون طراحي کنيد در مفيدبودن و فروش بهتر وبسايت صحبت کنيد.

2- روند طراحي شما چطور است ؟ روش هاي طراحي که استفاده ميکنيد را شرح دهيد !

توي اين سوال ميخوان بفهمن که آيا ميتونيد با انجام کار عالي در آينده صحبت هاتون رو عملي کنيد يا نه ؟

در هنگام توضيح روند طراحي ، ميتونيد از پتانسيل هاتون براي رسيدن به يک پروژه خوب تعريف کنيد يا از پروسه پروژه هاي گذشتتون صحبت کنيد ( که مورد دوم بهتره ) . حتما در گفتن پروژه هاي گذشته از داستان گويي ها استفاده کنيد :
– روند کلي داستان گويي : فرصت ها ، خواسته ها ، روند انجام ، بالا و پايين ها در مسير انجام پروژه و در نهايت خروجي پروژه
– هنگامي که درباره مراحلي که از ابتدا ( کانسپت) تا خروجي(تکميل پروژه ) طي کرديد به صورت کاملا مشخص صحبت کنيد .
– تاييد کردن محتواي طراحي : موقعيت هاي UX متفاوت روندهاي(پروسه ها) ux اي متفاوتي نياز دارد . يک نقطه قوت شما استفاده از محيط براي بهترين نتيجه در موقعيت خاص است . حتما اين مورد را شرح بديد .
از اينکه روندهاتون مثل بقيه طراحا نباشه نترسيد . چيزي که مهمه توانايي شما در شرح منطق و دلايل پشت هدف هاتون هست .
تريک : يک ايده خوب ، صحبت درباره استفاده از اهداف کاربر پسند در طراحي است که اينکار با فهميدن هم کاربر و هم اهداف تجارت شرکت محقق مي شود. اما بهتر اين است که در مثال يکي از پروژه هاي گذشته از آن استفاده کنيد و آن را با ذکر مثال و داستان بگوييد .

شايد هم لازمتون شه توي ارائه محتواي پروژه هاتون از تکنيک هاي زير استفاده کنيد : 
– تحقيقات کاربر (user research): از چه روش هايي استفاده کردي؟ چرا اونهارو انتخاب کردي؟
– پرسوناي کاربر: هدفت از ساخت پرسونا چي بود؟ چندتا ساختي؟ چه کمکي بهت کرد؟
– مسير حرکت مشتري يا user flow: نقشه مسير کاربريت چه چيزهايي رو شامل ميشد ؟
– Wire frame ها و prototypeها : اينکه چطوري از اسکچ هاي روي کاغذ به اجراي تعاملات روي adobe XD رسيدي؟ با چه چالش هايي روبرو شدي؟

– آمار ها و متريک : اينکه تصميمات طراحي شما باعث چه نتايج آماري در ثبت نام ها ، فروش و نرخ مشتري شد؟

3- هدفت از کارکردن با بقيه طراحان ، دولوپرها (برنامه نويس) يا مدير محصولات چيه ؟

از اين سوال مي خوان بفهمن که سازگاريت با بقيه حرفه ها و افراد چطوريه ؟

مصاحبه کننده ميخواد بفهمه که استايل کاريت چطوريه ؟ طراحي يک کار تيميه و شما به عنوان يک طراح ux لازمه که بدوني چطوري تصميمات طراحيتو با باقي اعضا تيم از ابتداي پروژه تا انتها و خروجي پروژه مطرح ميکني .
يادت باشه که هر عضو تيم از ديد خودش به پروژه نگاه ميکنه و نگاه خاصي داره ، پس تو بايد توانايي ارتباط با هرکدومشون رو در سريعترين حالت ممکن داشته باشي

توانايي فهميدن و همدلي با انگيزه هاي افراد اطراف شما بسيار حياتي است . دولوپرها ، مدير محصولات (product manager) و باقي طراحان اهداف خاص خودشان را دارند، و اگر شما بهشون گوش بديد :
– دولوپرها : براي همکاري موثر با آن ها بايد سعي کنيد تا با تکنولوژي هاي آن آشنا شويد و شرايط و فرصت هاي آن ها را حس کنيد.
– مدير محصولات (product manager): در ارتباط با آنها يادتون باشه که prototype هاتون رو با مشخصات ظريف و قابل فهم ترجمه کنيد به عنوان مثال در فرم يک داستان با جزئيات تعريف کنيد.
– طراحان : طراحان عموما يک لوپ مداوم در ارتباط دارند. کليد موفقيت هشدار بودن نسبت با آنها و توانايي انعطاف بالا در کار کردن با آنهاست .
تريک : قبل از جواب دادن به سوال از مصاحبه کننده ساختار ،روند و نقش هاي تيم را بپرسيد. از مشکلاتي که در حال حاضر با آن دست و پنجه نرم ميکنند آگاه شويد. سعي کنيد تجربياتتون رو در قالب مشکلاتشون ارائه کنيد. مصاحبه کننده بايد ميلتون در آوردن مهارت ها و تجربياتتون نه تنها در موقعيت بلکه در خود شرکت رو ببينه .

4- چطوري تصميم ميگيري که چه feature رو به محصولت اضافه کني؟

مي خوان بفهمن که توانايي اينکه براي ساختن يک راه حل جديد يک نظريه رو تاييد يا رد کني رو داري يا نه ؟!

اين خيلي سوال سختيه ! چرا؟ چون خيلي به زمينه طراحي وابسته است .
اگر سوال پرسيده شده در زمينه ساخت يک قسمت جديد نرم افزار باشد ميتوني درباره اينکه چطوري MVP(حداقل محصول قابل استفاده) رو رشد بديم صحبت کني.

يا اگه سوال در زمينه محصول موجود باشد ، بايد برروي پايه هاي استراتژي محصول زوم کني . قبل از اينکه درباره featureهاي خاص صحبت کني بايد يک ديد واضح از اهداف کار و نياز هاي کاربران بدوني. بايد آماده جواب دادن به اين سوال ها باشي:
– کابر کيه ؟
– اهداف کاربرها چيه ؟
– چرا بايد کاربر به اون feature اهميت بده ؟ چه مشکلاتي رو حل ميکنه ؟
تريک : اين يک فرصت عالي براي اينه که نشون بديد چطوري از تحقيقات کاربري (user research ) براي تصميم گيري هاي طراحيتون استفاده ميکنيد. معمولا وقتي با يک چالش روبرو ميشيد ، جمع آوري اطلاعات توليدي کابران به طراح خيلي کمک ميکند .وقتي که به اندازه کاف اطلاعات جمع آوري شد و اهداف کاربران مشخص شد ، شما ميتونين بهترين feature مناسب با اهداف شرکت را انتخاب کنيد.

5- درباره بهترين پروژت بهمون بگو ( يا پروژه اي که بيشترين افتخار رو بهش ميکني)

ميخوان بفهمن که بيشترين نقاط قوت و ضعفت در کار چيه ؟

اين يک سواليه که ميتونه شمارو به چالش بکشه ، چرا که به مصاحبه کننده اجازه ميده که با سوالات بيشتر توي اين زمينه بيشتر وارد روند کارتون و شناختتون بشه . به مصاحبه کننده اجازه ميده که وارد عمق و مهارت کانديداها بشه بدون اينکه مستقيم سوالاتشو بپرسه . بهترين جواب در اين سوالات صداقت و واضح بودن جوابه . در توضيحاتتون هيچگونه اغراقي انجام دهيد .
تريک : اگر به سوال دقت کنيد هيچ ربطي به کلمه UX نداره پس ميتونيد در جوابتون مستقيم بهش اشاره نکنيد و از زندگي نرمالتون تعريف کنيد .

6- راجع به يکي از پروژه هاي طراحي تجربه کاربري که طبق برنامت پيش نرفت بگو

ميخوان بدونن که در شرايط بحراني اتفاقي چطوري عمل ميکني ؟ چطور کارتو ميتوني در اين شرايط به شکل منطقي پيش ببري؟

اول از همه بگم که اصلا به اينکه همچين پروژه اي نداشتيد تظاهر نکنيد. اشتباه کردن در پروژه ها طبيعيه و همه اينو ميدونن چيزي که خيلي مهمه اينه که چطوري کنترلشون کردي ؟ بايد يه مثال صادقانه بگي که :
– چيا رو اشتباه کردي ؟
– چرا به نتيجه اشتباه رسيدي؟
– از اون تجربه چيا ياد گرفتي ؟
تريک : کليد موفقيت اين است که ضعفاتون رو بشناسيد بعد به دنبال يک دليل براي تبديل به نقطه قوت کردن آن باشيد . همه ما
بايد از اشتباهاتمان درس بگيريم.

7- به نظر شما ترند بزرگ بعدي در طراحي تجربه کاربري چيست ؟

ميخوان بفهمن که چقدر آينده نگري!!!

از اين سوال براي نشون دادن علاقت به طراحي UX و پتانسيل آن در آينده استفاده کن.
ميتوني از اين عناوين و اون هايي که مطالعه کردي استفاده کني : توسعه نرم افزار جديد prototype که باعث صرفه جويي زمان دولوپر ها و طراحان با تبديل طراحي به کد مي شود.
“طراحي براي دسترسي” که به کاربران توانايي ناوبري ، فهم و استفاده از UI مي دهد.
تريک : ميتونيد از بلاگ ها ، سايت ها و مطالبي که هرروزه دنبال ميکنيد صحبت کنيد يا از افرادي که در شبکه هاي اجتماعي يا وبسايت هاي شخصي دنبال ميکنيد حرف بزنيد
اميدوارم که محتوا بدردتون خورده باشه توي اين محتوا سعي کردم تا يکي از مشکلات طراحان تجربه کاربري (UX design) و طراحان رابط کاربري(UI design) که مصاحبه کاري بود رو زير ذره بين ببرم و بتونيم سوالاتي که ممکنه ازتون پرسيده شه رو جواب بديم و اينکه در هرکدوم چه چيزهايي جواب بديم و از چه ترفندهايي استفاده کنيم رو جواب بديم .