Dahil ang data science ay tungkol sa pagtugon sa mga aktwal na isyu, makatuwiran na ang ilang mga kasanayan ay mga kapaki-pakinabang na asset sa kanilang patuloy na umuunlad na toolset.
Ang sinumang inaasahang data scientist ay dapat tumuon sa computational thinking bilang bahagi ng kanilang edukasyon, dahil ito ay nagtuturo ng mga pangunahing ideya sa computer science at kung paano lapitan ang mga kumplikadong isyu sa pamamagitan ng abstraction at deconstruction.
Ang computational thinking ay isang mahalagang kakayahan sa edad ng digital-first na teknolohiya, hindi lang para sa mga naghahangad na data scientist, ngunit para sa lahat ng gustong makilahok sa computational world.
Upang maging handa para sa ebolusyon ng merkado ng paggawa at sa hinaharap ng trabaho, na huhubog ng malawakang automation, artificial intelligence, at machine learning, kinakailangang bigyang-diin ang mga kakayahan sa pag-iisip ng computational bilang isang mahalagang bahagi ng edukasyon at propesyonal na pag-unlad.
Sa artikulong ito, titingnan natin nang detalyado ang computational na pag-iisip, na sumasaklaw sa mga elemento nito, halaga, at marami pang iba.
Kaya, ano ang Computational thinking?
Ang pag-iisip ng computational, na kilala rin bilang algorithmic na pag-iisip, ay isang pamamaraang pamamaraan upang matugunan ang isang kumplikadong problema sa pamamagitan ng paghahati-hati nito sa mas maliliit, mas madaling proseso na maaaring gawin ng isang computer o makina.
Napakahalaga sa paglutas ng isang isyu sa paraang magagawa ng computer ang proseso dahil ipinapahiwatig nito na maaaring mailapat ang sagot sa mga katulad na problema sa ibang mga konteksto.
Kasama sa computational thinking ang paggamit ng maliksi, innovative, at flexible na saloobin upang makayanan ang mga hamon at potensyal na solusyon nang mahusay hangga't maaari, pati na rin ang matagumpay na paggamit at pagsusuri ng data.
Ang terminong "computational thinking" ay nagmula sa paraan ng pag-iisip ng mga computer scientist, ngunit kinikilala na ngayon bilang isang paraan ng pag-iisip na maaaring ilapat ng sinuman upang malutas ang mga isyu sa kanilang personal o propesyonal na buhay.
Samakatuwid, ang layunin ay hindi gumamit ng pag-iisip na kahawig ng isang makina, ngunit sa halip ay lumikha ng mga diskarte sa paglutas ng problema na karaniwang ginagamit ng mga computer scientist.
Ang computational thinking ay isang mahalagang tool para sa mga data scientist dahil magagamit ito upang harapin ang malawak na hanay ng quantitative at data-intensive na mga hamon.
Ang pamamaraang ito ay maaaring gamitin upang malutas ang mga problema sa iba't ibang larangan, kabilang ang matematika at artificial intelligence. Ginagamit din ng diskarteng ito ang Python programming language, na ginagamit upang kumatawan sa sagot sa isang computer sa panahon ng statistical analysis na hakbang.
Bakit mahalaga ang Computational Thinking?
Ang mga pamamaraang ito ng paglutas ng problema ay maaaring ilapat sa isang hanay ng mga paksa gamit ang computational thinking. Bukod pa rito, may mga kakayahan na ibinabahagi ng computational thinking sa mga ginagamit sa ibang larangan ng STEM gayundin sa sining, agham panlipunan, at humanidad.
Ang paggamit ng kapangyarihan ng mga computer sa labas ng screen at keyboard ay hinihikayat ng computational thinking. Bukod pa rito, makakatulong ito sa amin na mapabuti ang equity sa edukasyon sa computer science.
Maaari naming hikayatin ang pagsasama ng computer science sa iba pang mga paksa at ipakilala ang higit pang mga mag-aaral sa potensyal ng computer science sa pamamagitan ng pagtutuon sa mga kakayahan sa paglutas ng problema na nasa core nito.
Bukod pa rito, ginagawang posible ng computational na pag-iisip para sa atin na siyasatin ang potensyal at mga hadlang ng teknolohiya habang ginagawa ito.
Maaari nating masuri kung sino ang bumubuo ng teknolohiya at kung bakit, at maaari nating isaalang-alang nang kritikal kung paano ito makakaapekto sa lipunan.
Mga Pangunahing Bahagi ng Computational Thinking
1. agnas
Ang decomposition ay ang pangunahing elemento ng computational thinking. Upang gawing mas madaling malutas ang problema, ang yugtong ito ay nangangailangan ng paghahati-hati nito sa mas maliliit na bahagi.
Ang isang isyu ay mas madaling ayusin kung mas maaari mo itong i-dissect. Ang mga bahagi ng isang bisikleta ay maaaring i-disassemble bilang isang kapaki-pakinabang na kasanayan sa agnas. Ang frame, mga gulong, mga manibela, at mga gear ng bisikleta ay maaaring unang hatiin.
Gayunpaman, maaari mong hatiin ang bawat bahagi sa mga bahaging bahagi nito. Halimbawa, ang artificial intelligence ay maaaring nahahati pa sa machine learning, deep learning, computer vision, at natural na pagpoproseso ng wika.
Tinutulungan ka rin ng hakbang na ito na bumuo ng mas malalim na kaalaman sa problema sa pamamagitan ng pagtukoy sa lahat ng mga bahagi nang malalim.
2. Pagkilala sa Pattern
Sa ikalawang yugto, na kilala bilang pattern recognition, ang mga pagkakatulad at uso ng problema ay matatagpuan.
Malaki ang posibilidad na mahawakan ang mga ito gamit ang mga katulad, o paulit-ulit na mga pamamaraan kung ang ilang mga paghihirap ay magkatulad sa kalikasan—kapwa sa loob ng problemang tinutugunan ngayon at sa loob ng mga nakaraang problema.
Ito ay isang mahalagang elemento para sa pagbuo ng mga epektibong solusyon at sa huli ay makatipid ka ng oras.
Isaalang-alang ang sumusunod na senaryo: hinihiling sa iyo na bumuo ng isang maliit na programa na gumuhit ng isang parisukat. Sa halip na isulat ang pagtuturo ng apat na beses na magkakasunod, ang pattern ng pagguhit ng isang linya at pagpihit ng panulat ng 90 degrees ay maaaring ulitin ng apat na beses sa isang loop.
Ang pagkilala sa pattern ay isang kritikal na talento para sa pagbuo ng mahusay at epektibong solusyon sa mga isyu.
3. Abstraksyon
Ang pagkilala sa mahahalagang elemento ng solusyon ay ginagawa sa ikatlong hakbang ng abstraction.
Nangangailangan ito ng kakayahang mag-filter ng mga labis na bahagi ng isang isyu upang tumutok ka lamang sa mga mahahalagang elemento, kumpara sa pagtingin sa mga tiyak na detalye.
Ang isa pang mahusay na halimbawa ay kapag naglalaro ka ng sports, sinusubukan mong mag-concentrate sa mga diskarte na dapat mong gamitin, at binabalewala mo ang anumang panunukso mula sa iyong mga kalaban.
Bago ang pagbuo ng panghuling solusyon, binibigyang-daan ka ng abstraction na isaalang-alang ang lahat ng mahahalagang salik habang binabalewala ang anumang mga kalabisan na elemento.
4. Disenyo ng Algorithm
Ang paglikha ng isang masusing hanay ng mga sunud-sunod na tagubilin na naglalarawan kung paano lutasin ang problema ay nangyayari sa yugto ng Algorithm Design, ang huling yugto sa proseso ng Computational Thinking.
Ang isang epektibong algorithm ay isa na maaaring ibigay sa ibang tao at sundin nang walang karagdagang paliwanag.
Ang mundo ay puno ng mga algorithm, kung nagluluto ka mula sa isang recipe, nag-assemble ng flat-pack na kasangkapan, kumakain sa isang drive-through na restaurant, o nagbabayad para sa iyong mga groceries sa isang self-service counter
Ang pag-debug ay isang mahalagang kakayahan upang makabisado dahil ito ay isang karagdagang proseso na kasangkot sa paglikha ng algorithm. Ang pagkilala at pagwawasto ng mga algorithmic flaws ay tinutukoy bilang debugging.
Ang pag-debug ay isang naililipat na kakayahan na maaaring makuha sa buong kurikulum sa pamamagitan ng pagkilos at pag-aalok ng feedback, katulad ng iba pang bahagi ng pag-iisip ng computational. Maiintindihan natin ang ating kapaligiran sa tulong ng mga algorithm.
Konklusyon
Kung susumahin, ang susunod na henerasyon ng data scientist kailangang makuha ang mga kakayahan na magbibigay-daan sa kanila na mas matagumpay na umangkop sa umuusbong na merkado ng trabaho at pagbuo ng digital na ekonomiya.
Ang hinaharap na data scientist ay makakahanap ng computational thinking na isang kapaki-pakinabang na tool habang patuloy nilang binabago ang kanilang mga posisyon upang mapaunlakan ang pagsulong ng teknolohiya at higit na interoperability sa pagitan ng mga tao at mga makina.
Sa huli, ang pag-iisip ng computational ay mahalaga para sa lahat sa kanilang pang-araw-araw na gawain.
Mag-iwan ng Sagot