Formation en pensée informatique

Leçon 1 • Qu'est-ce que la pensée computationnelle

Définis la pensée computationnelle et distingue-la du codage ou de l'informatique. Établit le modèle mental que les élèves utilisent tout au long du cours.

Leçon 2 • Les quatre piliers fondamentaux

Présente la décomposition, la reconnaissance de motifs, l'abstraction et les algorithmes comme les quatre piliers. Chaque pilier est illustré par des exemples concrets et pertinents.

Leçon 3 • Évaluer les problèmes de manière computationnelle

Enseigne les critères pour décider quand la pensée computationnelle est l'outil approprié. Les élèves s'exercent à classer les problèmes par complexité et par possibilité de résolution.

Leçon 1 • Principes de la décomposition

Explique pourquoi la décomposition réduit la charge cognitive et améliore la qualité des solutions. Relie le pilier présenté au chapitre 1 à une pratique concrète.

Leçon 2 • Cartographier les sous-problèmes et les dépendances

Identifie les relations et dépendances entre les sous-problèmes à l'aide de cartes visuelles. Prépare les élèves à organiser logiquement les solutions.

Leçon 3 • La décomposition en contexte d'équipe

Applique la décomposition pour répartir le travail entre les équipes et gérer les transitions. Fait le pont entre les compétences individuelles de structuration de problèmes et les flux de travail collaboratifs.

Leçon 1 • Motifs dans les processus et les comportements

Reconnais des séquences répétées dans les flux de travail, les comportements des utilisateurs et les événements système. Étend les compétences en matière de motifs au-delà des données dans des contextes opérationnels.

Leçon 2 • La généralisation à partir de motifs

Abstrais une règle générale ou un modèle à partir de motifs spécifiques observés. Enseigne aux élèves à construire des solutions qui fonctionnent dans de multiples instances.

Leçon 3 • Identifier des motifs dans les données

Repère les régularités, les tendances et les anomalies dans des ensembles de données structurées et non structurées. Ancre la reconnaissance de motifs dans des preuves observables et fondées sur les données.

Leçon 1 • Abstraction et représentation des données

Représente l'information du monde réel sous forme de types et de formats de données structurés. Prépare les élèves à travailler avec des données dans des contextes algorithmiques et computationnels.

Leçon 2 • Abstraction fonctionnelle et interfaces

Cache les détails d'implémentation derrière des interfaces claires pour gérer la complexité. Introduit la pensée modulaire qui sous-tend la conception d'algorithmes et de systèmes.

Leçon 3 • Abstraction dans les systèmes du monde réel

Analyse comment les couches d'abstraction fonctionnent dans les cartes, les systèmes d'exploitation et les organisations. Renforce le concept à l'aide d'exemples familiers à grande échelle.

Leçon 4 • Construire des modèles conceptuels

Construis des diagrammes et des représentations qui capturent la structure essentielle d'un problème. Les modèles deviennent le plan directeur pour les solutions algorithmiques du chapitre 5.

Leçon 1 • Exprimer les algorithmes clairement

Utilise du pseudocode, des organigrammes et de l'anglais structuré pour exprimer les algorithmes sans ambiguïté. Fournit des outils de notation que les élèves utilisent dans tous les travaux de conception ultérieurs.

Leçon 2 • Concevoir des algorithmes pour les sous-problèmes

Combine les résultats de la décomposition avec la notation algorithmique pour concevoir des solutions modulaires. Intègre directement les compétences des chapitres 2 et 5.

Leçon 3 • Ce qui fait un algorithme

Définis les propriétés d'un algorithme valide : finitude, définition, entrée, sortie et efficacité. Établit la norme que tous les algorithmes conçus par les élèves doivent respecter.

Leçon 4 • Structures de contrôle dans les algorithmes

Applique la séquence, la sélection et l'itération pour contrôler le flux d'un algorithme. Ces structures sont les éléments de base de chaque algorithme conçu dans le cours.

Leçon 1 • Introduction à l'efficacité des algorithmes

Définis l'efficacité en termes de temps et d'espace et explique pourquoi elle compte à grande échelle. Motive les compétences analytiques développées tout au long de ce chapitre.

Leçon 2 • Analyse des compromis en pratique

Applique des cadres de compromis structurés à des décisions réelles impliquant la vitesse, la mémoire et la précision. Prépare les élèves à la résolution appliquée de problèmes dans le chapitre 7.

Leçon 3 • Comprendre les taux de croissance

Décris comment la performance d'un algorithme évolue avec la taille des entrées à l'aide de concepts de taux de croissance. Introduit la notation Grand-O comme outil de communication pratique.

Leçon 1 • Résolution de problèmes axée sur les données

Utilise la collecte, le nettoyage et l'analyse de données comme intrants pour la résolution computationnelle de problèmes. Relie les compétences de reconnaissance de motifs et d'abstraction aux flux de travail centrés sur les données.

Leçon 2 • Automatisation et optimisation des processus

Identifie les processus répétitifs adaptés à l'automatisation et conçois des solutions algorithmiques pour ceux-ci. Démontre la valeur professionnelle directe de la pensée computationnelle.

Leçon 3 • Études de cas multi-domaines

Résous trois études de cas complètes tirées de domaines professionnels distincts à l'aide du cadre complet. Renforce la confiance et la polyvalence dans les domaines d'application.

Leçon 4 • Le processus de résolution de problèmes de bout en bout

Parcours un cadre unifié qui séquence la décomposition, la reconnaissance de motifs, l'abstraction et la conception d'algorithmes. Fournit le processus reproductible que les élèves appliquent dans toutes les études de cas.

Leçon 1 • Patrons de conception computationnels

Catalogue des modèles de solution éprouvés pour des types de problèmes récurrents dans tous les domaines. Permet une conception de solution rapide et fiable en exploitant des patrons établis.

Leçon 2 • Jugement stratégique pour la résolution de problèmes

Développe des compétences métacognitives pour choisir des stratégies et des patrons en situation d'ambiguïté. Culmine le cours en renforçant la confiance décisionnelle de niveau expert.

Leçon 3 • Stratégie diviser pour régner

Applique le paradigme diviser pour régner pour diviser et résoudre récursivement de grands problèmes. Étend les compétences de décomposition en une stratégie algorithmique formelle et puissante.

Leçon 4 • Concepts de programmation dynamique

Résous des sous-problèmes qui se chevauchent efficacement en stockant et en réutilisant des résultats intermédiaires. Introduit la mémorisation et la tabulation comme outils d'optimisation pratiques.