【】如何低成本驗證市場需求？
用一句話，能透徹地把乙個點說明白。
1 ．乙個最核心的需求點
。不可能是 10 個 10 分的點，加起來 1 00 分；一定要過濾出 1 個點，能打動某個特定的使用者群體。打動的標準是什麼？一般最好自己就是典型使用者，冷暖自知；如果不是，可自行設定乙個標準，比如調研期找到 5 一 10 個面談， demo 驗證期能找到 10 一 50 個，能讓其中的 50 % 以上」一點就通』、」拍手稱快」。
2 ．一句話能講完
。也就是所謂的」場景感 ；講故事的能力，類似導演。
3 ．能說「明白」
。不是自己明白，是典型使用者明白一一他明白的標準，不是他說」明白了」，而是他能給另外乙個典型使用者解釋，讓這個人也」明白了」。 4
."透徹"
的標準是啥？最高端的，限種其他的農現形式，後於拈來。
【】如何做到？
自己就是最典型的使用者（符合年齡.性別、城市、習慣等各種使用者畫像字段）。
如果不是，需要有瞬間變成典型使用者的超能力！比如某幾位大佬，能瞬間變身小白使用者
再次，只能去「和典型使用者交流」+「自己體驗「。
總之，如果是前2種情況，這個事的起點就在50分了；如果是第三種，起點在10~20分，最終的上限是80分，做出來的東西會不疼不癢。所以要練就秒變典型使用者的本領啦！
評價霈求點是否靠譜的4維度理論：剛需，高頻，人群廣、有傳播場景；如果佔2個，就可以考慮了.
最小化安裝 Ubuntu
ubuntu 的預設安裝方式或許並不為所有使用者所接受。譬如說吧，有的使用者並不想使用 gnome 桌面環境，也有的使用者並不需要預先安裝的所有軟體。為了解決上述諸如此類的問題，在安裝最小化的 ubuntu 的基礎上，根據各人之喜好執行定製化安裝，可能是較好的折中方案。首先，安裝 ubuntu 基本...
經驗風險最小化
前面提到，機器學習的目的就是根據一些訓練樣本 尋找乙個最優的函式，使得函式對輸入 x的估計y 與實際輸出y之間的期望風險 可以暫時理解為誤差 最小化。期望風險最小化 依賴於樣本的輸入 x與其輸出 y之間的函式對映關係f x,y 而這個對映關係，在機器視覺和模式識別系統中，一般指代先驗概率和類條件概率...
最小化到托盤
notifyicon notifyicon1 void inittraymenu 在建構函式時呼叫此函式 void notifyicon1 click object sender,eventargs e private void menuitem1 click object sender,syste...