Zënter datt d'Datewëssenschaft drëm geet tatsächlech Themen unzegoen, mécht et Sënn datt e puer Fäegkeeten nëtzlech Verméigen an hirem stänneg evoluéierende Toolset sinn.
All potenziell Datewëssenschaftler soll sech op computational Denken als Deel vun hirer Ausbildung konzentréieren, well et fundamental Informatik Iddien léiert a wéi ee komplizéiert Themen duerch Abstraktioun an Dekonstruktioun unzegoen.
Computational Denken ass eng entscheedend Fäegkeet am Zäitalter vun der digitaler-éischt Technologie, net nëmme fir aspiréierend Datewëssenschaftler, mee fir jiddereen deen un der Computatiounswelt wëll deelhuelen.
Fir prett ze sinn fir d'Evolutioun vum Aarbechtsmaart an d'Zukunft vun der Aarbecht, déi duerch pervasiv Automatisatioun geprägt gëtt, Kënschtlech Intelligenz, a Maschinnléieren, ass et néideg fir computational Denkfäegkeeten als Schlësselkomponent vun der Ausbildung a berufflecher Entwécklung ze ënnersträichen.
An dësem Artikel kucke mir am Detail op computational Denken, iwwer seng Elementer, Wäert a vill méi.
Also, wat ass computational Denken?
Computational Denken, och bekannt als algorithmescht Denken, ass eng methodesch Technik fir e komplexe Problem unzegoen andeems se et a méi kleng, méi einfach Prozesser ofbriechen, déi vun engem Computer oder Maschinn gemaach kënne ginn.
Et ass entscheedend fir en Thema op sou eng Manéier ze léisen datt e Computer de Prozess kann ausféieren well et bedeit datt d'Äntwert op ähnlech Probleemer an anere Kontexter applizéiert ka ginn.
Computational Denken enthält eng agile, innovativ a flexibel Haltung unzehuelen fir esou effizient wéi méiglech duerch Erausfuerderungen a potenziell Léisungen ze schaffen, souwéi erfollegräich Daten ze benotzen an ze analyséieren.
De Begrëff "Computational Denken" kënnt aus der Aart a Weis wéi Computerwëssenschaftler denken, awer et ass elo unerkannt als e Wee fir ze denken datt jidderee ka gëlle fir Themen an hirem perséinlechen oder beruffleche Liewen ze léisen.
Dofir ass d'Zil net Denken ze benotzen, déi dem vun enger Maschinn ähnelt, mee éischter Problemléisungsstrategien ze kreéieren déi Computerwëssenschaftler allgemeng benotzen.
Computational Denken ass en entscheedend Tool fir Datewëssenschaftler well et ka benotzt ginn fir eng breet Palette vu quantitativen an datintensiven Erausfuerderungen unzegoen.
Dës Method kann benotzt ginn fir Problemer a ville Beräicher ze léisen, dorënner Mathematik a kënschtlech Intelligenz. Dës Approche benotzt och d'Python Programmiersprache, déi benotzt gëtt fir d'Äntwert op engem Computer während der statistescher Analyse Schrëtt ze representéieren.
Firwat ass Computational Thinking wesentlech?
Dës Methode fir Problemléisung kënnen op eng Rei vun Themen applizéiert ginn mat computational Denken. Zousätzlech ginn et Fäegkeeten, déi computational Denken deelt mat deenen, déi an anere STEM Felder benotzt ginn, souwéi d'Konscht, Sozialwëssenschaften, a Geeschteswëssenschaften.
D'Benotzung vun der Kraaft vu Computeren ausserhalb vum Écran an der Tastatur gëtt duerch computational Denken encouragéiert. Zousätzlech kéint et eis hëllefen d'Gläichgewiicht an der Informatikausbildung ze verbesseren.
Mir kënnen d'Integratioun vun der Informatik mat anere Fachberäicher encouragéieren a méi Studenten d'Potenzial vun der Informatik aféieren andeems mir op d'Problemléisungsfäegkeeten fokusséieren, déi am Kär sinn.
Zousätzlech mécht computational Denken et fir eis méiglech d'Potenzial an d'Aschränkunge vun der Technologie z'ënnersichen wärend se produzéiert gëtt.
Mir kënnen beurteelen wien d'Technologie entwéckelt a firwat, a mir kënne kritesch iwwerleeën wéi et d'Gesellschaft beaflosse kann.
Kär Komponente vum Computational Denken
1. Zersetzung
Zersetzung ass de Grondelement vum computational Denken. Fir de Problem méi einfach ze léisen, enthält dës Etapp et a méi kleng Komponenten opzedeelen.
En Thema ass méi einfach ze fixéieren wat Dir méi kënnt dissectéieren. D'Deeler vun engem Vëlo kënnen als nëtzlech Zersetzungspraxis ofgebaut ginn. De Frame vun engem Vëlo, Rieder, Lenker a Gears kënnen am Ufank dissektéiert ginn.
Dir kënnt awer all Komponent weider a seng Komponentdeeler opdeelen. Zum Beispill kann kënschtlech Intelligenz weider a Maschinnléieren, Deep Learning, Computervisioun an natierlech Sproochveraarbechtung opgedeelt ginn.
Dëse Schrëtt hëlleft Iech och méi déif Wëssen iwwer de Problem ze bauen andeems Dir all Komponenten an Déift identifizéiert.
2. Muster Unerkennung
An der zweeter Stuf, bekannt als Mustererkennung, ginn d'Gemeinlechkeeten an Trends vum Problem fonnt.
Et gëtt eng staark Wahrscheinlechkeet datt se mat ähnlechen oder widderhuelende Prozedure gehandhabt kënne ginn, wa verschidde Schwieregkeeten ähnlech an der Natur sinn - souwuel am Problem deen elo behandelt gëtt an a fréiere Probleemer.
Dëst ass en entscheedend Element fir effektiv Léisungen z'entwéckelen an Iech schlussendlech Zäit ze spueren.
Betruecht de folgende Szenario: Dir sidd opgefuerdert e klenge Programm z'entwéckelen deen e Quadrat zitt. Amplaz d'Instruktioun véiermol hannereneen ze schreiwen, kann d'Muster fir eng Zeil ze zéien an de Pen 90 Grad ze dréinen, véiermol an enger Loop widderhuelen.
Mustererkennung ass e kriteschen Talent fir effizient an effektiv Léisunge fir Themen z'entwéckelen.
3. Abstraktioun
D'Identifikatioun vu wichtegen Elementer vun der Léisung gëtt am drëtte Schrëtt vun der Abstraktioun gemaach.
Et erfuerdert d'Kapazitéit fir iwwerflësseg Deeler vun engem Thema ze filteren, sou datt Dir just op déi entscheedend Elementer konzentréiert, am Géigesaz zu präzis Spezifizitéiten ze kucken.
En anert exzellent Beispill ass wann Dir Sport spillt, Dir probéiert Iech op d'Strategien ze konzentréieren déi Dir sollt benotzen, an Dir ignoréiert all Täter vun Äre Géigner.
Virun der Entwécklung vun der definitiver Léisung erlaabt d'Abstraktioun Iech all déi wichteg Faktoren ze berücksichtegen, während Dir all iwwerflësseg Elementer ignoréiert.
4. Algorithmus Design
D'Schafe vun engem grëndleche Set vu Schrëtt-fir-Schrëtt Instruktiounen, déi beschreiwen wéi de Problem léisen, geschitt während der Algorithmus Design Etapp, déi lescht Phas am Computational Thinking Prozess.
En effektiven Algorithmus ass een deen engem aneren ka ginn an ouni weider Erklärung gefollegt ginn.
D'Welt ass voller Algorithmen, egal ob Dir aus engem Rezept kacht, flaach Miwwelen montéiert, an engem Drive-Through Restaurant ësst, oder fir Är Epicerie bei engem Selbstservicer bezuelt.
Debugging ass eng entscheedend Fäegkeet fir ze beherrschen well et en zousätzleche Prozess ass an der Algorithmus Schafung involvéiert. Identifikatioun a Korrektur vun algorithmesche Mängel ginn als Debugging bezeechent.
Debugging ass eng transferéierbar Fäegkeet déi am ganze Léierplang kaaft ka ginn andeems Dir op handelt a Feedback bitt, sou wéi déi aner Komponente vum computational Denken. Mir kënnen eis Ëmgéigend mat Hëllef vun Algorithmen verstoen.
Konklusioun
Ze resuméieren, déi folgend Generatioun vun Daten Wëssenschaftler muss d'Fäegkeete kréien, déi et hinnen erméiglechen, sech méi erfollegräich un den evoluéierende Aarbechtsmaart unzepassen an d'digitale Wirtschaft z'entwéckelen.
Zukünfteg Datewëssenschaftler wäerten computational Denken als en nëtzlecht Tool fannen well se hir Positiounen kontinuéierlech änneren fir de Fortschrëtt vun der Technologie a méi Interoperabilitéit tëscht Leit a Maschinnen z'empfänken.
Zum Schluss ass computational Denken wesentlech fir jiddereen an hiren alldeeglechen Aufgaben.
Hannerlooss eng Äntwert