Formation en pensée computationnelle

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

Définissez la pensée computationnelle et distinguez-la du codage ou de l'informatique. Établit le modèle mental que les apprenants utiliseront tout au long du cours.

Leçon 2 • Les quatre piliers fondamentaux

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

Leçon 3 • Évaluation des problèmes de manière computationnelle

Apprenez les critères pour décider quand la pensée computationnelle est l'outil approprié. Les apprenants s'entraînent à classer les problèmes selon leur complexité et leur résolubilité.

Leçon 1 • Principes de la décomposition

Expliquez 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 • Cartographie des sous-problèmes et des dépendances

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

Leçon 3 • Décomposition dans les contextes d'équipe

Appliquez la décomposition pour répartir le travail entre les équipes et gérer les transitions. Relie les compétences individuelles de structuration de problèmes aux flux de travail collaboratifs.

Leçon 1 • Motifs dans les processus et les comportements

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

Leçon 2 • Généralisation à partir de motifs

Abstraire une règle ou un modèle général à partir de motifs observés spécifiques. Apprend aux apprenants à construire des solutions applicables à de multiples instances.

Leçon 3 • Identification des motifs dans les données

Repérez 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 basées sur les données.

Leçon 1 • Abstraction et représentation des données

Représentez les informations du monde réel sous forme de types et de formats de données structurées. Prépare les apprenants à travailler avec des données dans des contextes algorithmiques et computationnels.

Leçon 2 • Abstraction fonctionnelle et interfaces

Cachez les détails d'implémentation derrière des interfaces propres 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

Analysez comment les couches d'abstraction fonctionnent dans les cartes, les systèmes d'exploitation et les organisations. Renforce le concept à travers des exemples familiers à grande échelle.

Leçon 4 • Construction de modèles conceptuels

Construisez des diagrammes et des représentations qui capturent la structure essentielle d'un problème. Les modèles deviennent le plan des solutions algorithmiques au chapitre 5.

Leçon 1 • Exprimer clairement les algorithmes

Utilisez le pseudocode, les organigrammes et l'anglais structuré pour exprimer les algorithmes sans ambiguïté. Fournit des outils de notation que les apprenants utiliseront dans tous les travaux de conception ultérieurs.

Leçon 2 • Conception d'algorithmes pour les sous-problèmes

Combinez 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 • Qu'est-ce qu'un algorithme

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

Leçon 4 • Structures de contrôle dans les algorithmes

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

Leçon 1 • Introduction à l'efficacité des algorithmes

Définissez l'efficacité en termes de temps et d'espace et expliquez pourquoi elle est importante à grande échelle. Motive les compétences analytiques développées tout au long de ce chapitre.

Leçon 2 • Analyse pratique des compromis

Appliquez des cadres de compromis structurés à des décisions réelles impliquant vitesse, mémoire et précision. Prépare les apprenants à la résolution de problèmes appliquée au chapitre 7.

Leçon 3 • Comprendre les taux de croissance

Décrivez comment la performance d'un algorithme évolue avec la taille des entrées en utilisant des concepts de taux de croissance. Introduit la notation Grand-O comme un outil de communication pratique.

Leçon 1 • Résolution de problèmes basée sur les données

Utilisez la collecte, le nettoyage et l'analyse de données comme intrants de la résolution de problèmes computationnelle. 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

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

Leçon 3 • Études de cas multi-domaines

Résolvez trois études de cas complètes provenant de domaines professionnels distincts en utilisant le 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

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

Leçon 1 • Motifs de conception computationnelle

Cataloguez des modèles de solutions éprouvés pour des types de problèmes récurrents dans tous les domaines. Permet une conception rapide et fiable de solutions en exploitant des motifs établis.

Leçon 2 • Jugement stratégique pour la résolution de problèmes

Développez des compétences métacognitives pour choisir des stratégies et des motifs en situation d'ambiguïté. Culmine le cours en renforçant la confiance dans la prise de décision de niveau expert.

Leçon 3 • Stratégie diviser pour régner

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

Leçon 4 • Concepts de programmation dynamique

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