Как научиться решать задачи по информатике


Методика подготовки к олимпиадам по информатике

 

 

Вопрос 1. Как научиться решать олимпиадные задачи по информатике?

Чтобы научиться решать олимпиадные задачи по информатике, надо решать задачи по информатике... Естественно при этом заглядывая в соответствующею литературу.

Вопрос 2. Сколько необходимо решить задач, чтобы достойно выступать на олимпиадах по информатике?

Вопрос задан конечно не корректно и ответить на него, пожалуй вряд ли возможно, но сказать пару слов по этому поводу стоит. Как мне соощил специалист в области подготовки к олимпиадам ACM Михаил Медведев, то создать принципиально новую олимпиадную задачу не так то просто, как может показаться на первый взгляд. По этой причине, лица ответственные за проведения олимпиад просто берут задачи за прошлые годы и подают их под "новым соусом". Часто случается, что задачи для районных и зональных олимпиад по информатике "сдирают" без каких либо изменений с сайтов посвященных олимпиадному программированию.

Итак, поскольку многие задачи весьма и весьма схожи, то необходимо научиться решать задачи из всего диапазона: сортировка, динамическое программирование, длинная арифметики и т.д.

Вопрос 3. Можно ли подготовить школьников к олимпиадам по информатике в рамках школьной программы?

Думаю, что это нереально. Всем давно известно, что школьный курс информатики - это одно, а олимпиады по информатике - это совсем другое. Да, в примерной программе по информатике, в 9 классе, довольно большое количество часов уделено изучению программирования. В учебнике Семакина для 9 класса обучение программированию основано на языке Паскаль, у Угриновича примеры дана применительно к Visual Basic. Но, даже если применить дифференцированный подход к обучению школьников, вряд ли этих часов хватит для подготовки к олимпиадам отдельных школьников с "нуля".

Вопрос 4. Если часов по программе не достаточно для подготовки школьникам к олимпиадами, то как тогда готовиться?

Вижу три варианта:

  • Кружок по программированию
  • Факультатив по программированию
  • Личный энтузиазм...

По первым двум вариантам все понятно, но должно быть понимание со стороны руководства школы. Частенько, между учителями бывает "битва за часы", на кружок или факультатив по программированию часов может и не перепасть.

Личный энтузиазм доведенный до крайней меры - это весьма пагубное, на мой взгляд, явление. Российское образование не должно держаться на энтузиазме. Иначе получается, что пока есть энтузиазм - дело идет, закончился запал и все рухнуло. На энтузиазме долго не протянешь, но его иногда стоит проявлять в надежде, что дело сдвинется с "мертвой точки".

Вопрос 5. У меня 25 (26, 30...) часов основной нагрузки, реально ли еще заниматься с учащихся на кружке по программированию?

Как мне кажется, при такой нагрузке реальней сойти с ума, чем готовить учащихся к олимпиадам. Искренне сочувствую всем учителям с большой нагрузкой. Я понимаю, что брать большое количество часов приходится не от хорошей жизни, но не понимаю, как можно работать в таких условиях.

Вопрос 6. Могут ли школьники готовиться к олимпиадам во внеурочное время и если могут, то как лучше организовать подготовку?

Могут, но у них как минимум должен быть домашний компьютер. В идеале должен быть еще и Интернет. При наличии ПК и Интернета можно решать задачи на одном из специализированных сайтов с автоматизированной проверкой решений, например на сайте Школа программиста.

Вопрос 7. Что требуется от учителя для качественной подготовки школьников к олимпиаде?

  • Умение учиться. Ведь как случается, закончил человек учебное учреждение и на этом его развитие в плане получения информации порой и заканчивается. Для работы в школе вроде хватит, так зачем еще заморачитваться...
  • Всегда быть на связи. У вашего ученика может возникнуть вопрос в любое время, есть ведь и такие, которые решают задачки по ночам. Если вам не спится, то почему бы, при возможности, ему не ответить при помощи той же "Аськи" или программы Skype.

 

 

Руководство по решению социальных проблем с помощью машинного обучения

Сегодня вечер воскресенья. Вы заместитель мэра большого города. Вы садитесь смотреть фильм и просите Netflix о помощи. («Буду ли я любить Birdemic? Ishtar? Zoolander 2?»). Алгоритм рекомендаций Netflix предсказывает, какой фильм вам понравится, собирая данные о миллионах предыдущих зрителей с помощью сложных инструментов машинного обучения. А на следующий день вы идете на работу, и каждое из ваших агентств будет принимать решения о найме, не имея большого представления о том, какие кандидаты будут хорошими работниками; учащиеся общественных колледжей будут в основном предоставлены самим себе решать, какие курсы для них будут слишком сложными или слишком легкими; и ваша система социальных услуг будет применять реактивный, а не превентивный подход к бездомности, потому что они не верят, что возможно предсказать, какие семьи окажутся на улице.

Вы бы хотели перенести использование прогнозной аналитики в своем городе в 21 век -го -го или, по крайней мере, в 20-й -й век годов. Но как? Вы только что наняли пару 24-летних программистов, чтобы они руководили вашей командой по анализу данных. Они отлично разбираются в данных. Но должны ли они решать, какие проблемы можно решить с помощью этих инструментов? Или решить, как выглядит успех? Вас также не успокаивают продавцы, с которыми взаимодействует город. Они всегда пытаются продать вам самый последний инструмент прогнозирования.Решения о том, как использовать эти инструменты, кажутся вам слишком важными для передачи на аутсорсинг, но вызывают множество новых проблем, которые трудно понять.

Insight Center

Такое сочетание энтузиазма и опасений по поводу потенциального социального воздействия машинного обучения характерно не только для местных органов власти или даже для правительства: некоммерческие организации и социальные предприниматели также разделяют его. Энтузиазм вполне уместен. Для решения правильного типа проблемы использование этих инструментов дает огромные преимущества.Но есть и беспокойство: как и в случае со всеми новыми «продуктами», существует вероятность неправильного использования. Как мы можем максимизировать пользу при минимизации вреда?

Применяя эти инструменты в последние несколько лет, мы сосредоточились именно на этом вопросе. Мы узнали, что некоторые из наиболее важных проблем находятся в разрыве между дисциплиной, которая создает алгоритмы (информатика), и дисциплинами, которые обычно работают над решением политических проблем (например, экономика и статистика). В результате, некоторые из этих ключевых проблем даже не видны никому.Хорошая новость заключается в том, что многие из этих проблем, когда они осознаются, довольно просто решить.

Мы переработали все, что узнали, в «руководство для покупателя». Он предназначен для всех, кто хочет использовать науку о данных для создания общественного блага, но не знает, что делать дальше.

Как машинное обучение может улучшить государственную политику

Перво-наперво: всегда есть новые «обновки». Особенно в социальной сфере. Стоит ли обращать внимание на эти инструменты машинного обучения?

Да.Это то, что мы пришли к выводу из нашего собственного проекта проверки концепции, применяя машинное обучение к набору данных из более чем миллиона судебных дел по облигациям (в совместной работе с Himabindu Lakkaraju и Jure Leskovec из Стэнфордского университета). Вскоре после ареста судья должен решить: будет ли подсудимый ждать своей законной судьбы дома? Или они должны ждать в тюрьме? Это немалый вопрос. Типичный срок тюремного заключения составляет от двух до трех месяцев. Принимая это судьбоносное решение, по закону, судья должен сделать прогноз: в случае освобождения ответчик вернется в суд или пропустит суд? И будут ли они потенциально совершать новые преступления?

Мы считаем, что есть много возможностей для улучшения прогнозов судей.Наши оценки показывают, что если бы мы принимали решения об освобождении до суда, используя прогнозы риска нашего алгоритма вместо того, чтобы полагаться на интуицию судьи, мы могли бы сократить количество преступлений, совершаемых освобожденными обвиняемыми, до 25% без необходимости сажать в тюрьму дополнительных людей. Или, вообще не увеличивая уровень преступности, мы могли бы заключить в тюрьму на 42% меньше людей. Ежегодно в США арестовывают 12 миллионов человек, и этот тип инструмента может позволить нам сократить количество заключенных до нескольких сотен тысяч человек. И такого рода вмешательство относительно дешево.По сравнению с инвестированием миллионов (или миллиардов) долларов в большее количество социальных программ или полиции, стоимость статистического анализа уже существующих наборов административных данных практически равна нулю. Кроме того, в отличие от многих других предложений по улучшению общества, инструменты машинного обучения легко масштабируются.

К настоящему времени политики привыкли слышать подобные заявления в рекламных презентациях, и они должны вызывать определенный скептицизм. Одна из причин, по которой трудно быть хорошим покупателем решений для машинного обучения, заключается в том, что существует так много преувеличенных заявлений.Дело не в том, что люди намеренно искажают результаты своих алгоритмов. Фактически, применение известного алгоритма машинного обучения к набору данных часто является самой простой частью этих проектов. Гораздо более сложная часть и причина, по которой мы боролись с нашим собственным проектом по освобождению под залог в течение нескольких лет, - это точная оценка потенциального воздействия любого нового алгоритма на результаты политики. Мы надеемся, что оставшаяся часть этой статьи, основанная на нашем собственном опыте применения машинного обучения для решения проблем политики, поможет вам лучше оценить эти коммерческие предложения и сделает вас важным покупателем.

Ищите политические проблемы, которые зависят от прогноза

Наш опыт освобождения под залог показывает, что продуманное применение машинного обучения к политике может дать очень большую прибыль. Но иногда эти инструменты продаются как змеиное масло, как будто они могут решить каждую проблему .

Машинное обучение отлично умеет предсказывать вещи. Он может информировать о решениях, которые зависят от прогноза, и где то, что нужно предсказать, является ясным и измеримым.

Для Netflix решение - какой фильм смотреть. Netflix собирает данные о большом количестве пользователей, чтобы попытаться выяснить, какие люди ранее просматривали историю, аналогичную вашей, а затем рекомендует вам фильмы, которые понравились этим людям. Для нашего приложения к досудебным решениям об освобождении под залог алгоритм пытается найти прошлых обвиняемых, которые похожи на того, кто в настоящее время находится в суде, а затем использует уровень преступности этих аналогичных обвиняемых в качестве основы для своего прогноза.

Если принимается решение, которое уже зависит от прогноза, почему , а не , помогают информировать это решение с помощью более точных прогнозов? Закон и требует, чтобы судьи судов по облигациям выносили решения об освобождении до суда на основе своих прогнозов риска ответчика.Десятилетия поведенческой экономики и социальной психологии учат нас, что людям будет сложно делать точные прогнозы относительно этого риска, потому что для этого требуются вещи, в которых мы не всегда хороши, например, вероятностное мышление, установление атрибуции и выводы. Алгоритм делает те же прогнозы, которые уже делают судьи, но лучше.

Но многие решения в социальном секторе не зависят от прогнозов. Иногда мы спрашиваем, работает ли какая-то новая политика или программа - то есть вопросы, которые зависят от понимания причинного воздействия чего-либо на мир.Ответить на эти вопросы нельзя с помощью методов прогнозирования машинного обучения. Вместо этого нам нужны инструменты для установления причинной связи, такие как рандомизированные эксперименты. Кроме того, то, что что-то предсказуемо, не означает, что нам удобно, когда наше решение зависит от этого прогноза. Например, нам может быть неудобно отказать в пособии тому, кто имел право на получение помощи на момент подачи заявления, только потому, что мы прогнозируем, что у него есть высокая вероятность не соблюдать требования программы по поиску работы или не пройти тест на наркотики в будущем.

Убедитесь, что вас устраивает прогнозируемый результат

Алгоритмы наиболее полезны при применении к проблемам, в которых есть не только обширная история прошлых случаев, из которых можно извлечь уроки, но и четкий результат, который можно измерить, поскольку конкретное измерение результата является необходимым предварительным условием для прогнозирования. Но алгоритм прогнозирования, сам по себе, будет безостановочно сосредоточен на прогнозировании результата, который вы дадите, как можно точнее за счет всего остального.Это создает опасность: если вас интересуют и других исходов , они будут проигнорированы. Таким образом, даже если алгоритм хорошо справляется с результатом, на котором вы сказали ему сосредоточиться, он может хуже справиться с другими результатами, о которых вы заботитесь, но не сказали ему предсказывать.

Эта проблема неоднократно возникала в нашей работе над решениями об освобождении под залог. Мы обучили наши алгоритмы прогнозированию общего уровня преступности для правозащитников, имеющих право на освобождение под залог. Такой алгоритм рассматривает все преступления как равные. Но что, если судьи (небезосновательно) придают непропорционально большое значение тому, участвует ли обвиняемый в очень серьезном насильственном преступлении, таком как убийство, изнасилование или грабеж? Если посмотреть на общий уровень преступности, может выглядеть так, как будто предсказания алгоритма приводят к «лучшим результатам».Но правило освобождения алгоритма может быть хуже, чем у судей, в частности, в отношении серьезных насильственных преступлений. Возможность этого не означает, что алгоритмы все еще не могут быть полезными. При освобождении под залог выясняется, что различные формы преступлений достаточно коррелированы, так что алгоритм, обученный только одному типу преступлений, в конечном итоге опережает судей почти по всем критериям преступности, которые мы могли бы построить, включая насильственные преступления. Дело в том, что результат, который вы выбираете для своего алгоритма, будет определять его.Поэтому вам нужно тщательно подумать о том, что это за результат и что еще он может упустить.

Проверка смещения

Еще один серьезный пример этого принципа - роль гонки в алгоритмах. Существует вероятность того, что любая новая система прогнозирования и принятия решений может усугубить расовое неравенство, особенно в таких областях политики, как уголовное правосудие. Следует соблюдать осторожность: базовые данные, используемые для обучения алгоритма, могут быть предвзятыми, что отражает историю дискриминации.А специалисты по обработке данных могут иногда непреднамеренно сообщать о вводящих в заблуждение показателях производительности своих алгоритмов. Мы должны серьезно отнестись к озабоченности по поводу того, могут ли алгоритмы увековечить недостатки, независимо от других преимуществ.

Однако в конечном итоге это эмпирический вопрос. В нашем проекте по освобождению под залог мы обнаружили, что алгоритм действительно может уменьшить расовых различий среди заключенных. Другими словами, мы можем снизить преступность, количество заключенных в тюрьмы на и расовых предубеждений - и все это одновременно - с помощью алгоритмов.

Это не случайность. Подходящим первым эталоном для оценки эффекта от использования алгоритмов является существующая система - прогнозы и решения, уже сделанные людьми. В случае залога мы знаем из десятилетий исследований, что эти человеческие прогнозы могут быть необъективными. У алгоритмов есть форма нейтралитета, которую человеческий разум изо всех сил пытается получить, по крайней мере, в пределах своей узкой области внимания. Как мы видели, вполне возможно, что алгоритмы будут служить движущей силой справедливости.Мы должны сочетать нашу осторожность с надеждой.

Урок здесь в том, что если конечный результат, который вас волнует, трудно измерить или включает в себя сложную для определения комбинацию результатов, то проблема, вероятно, не подходит для машинного обучения. Рассмотрим проблему, которая заключается в том, что выглядит как как залог: приговор. Как и залог, вынесение приговора лицам, признанным виновными, частично зависит от риска рецидивизма. Но приговор также зависит от таких вещей, как чувство возмездия, милосердия и искупления общества, которое нельзя измерить напрямую.Мы намеренно сосредоточили нашу работу на освобождении под залог, а не на вынесении приговора, потому что это представляет собой точку в системе уголовного правосудия, где закон явно требует узкого прогноза. Даже если есть измеримый единственный результат, вы захотите подумать о других важных факторах, которые не включены в этот результат - как мы сделали с гонкой в ​​случае залога - и поработать со своими специалистами по данным, чтобы создать план чтобы проверить свой алгоритм на потенциальную предвзятость по этим параметрам.

Проверьте свой алгоритм в эксперименте на данных, которых он не видел

После того как мы выбрали правильный результат, последняя потенциальная ловушка связана с тем, как мы измеряем успех.Чтобы машинное обучение было полезным для политики, оно должно точно прогнозировать «вне выборки». Это означает, что его нужно обучить на одном наборе данных, а затем протестировать на наборе данных, которого он раньше не видел. Поэтому, когда вы предоставляете данные поставщику для создания инструмента, не используйте их часть. Затем, когда поставщик вернется с готовым алгоритмом, вы можете выполнить независимый тест, используя свой «выдержанный» образец.

Еще более фундаментальная проблема заключается в том, что текущие подходы в этой области обычно сосредоточены на показателях производительности, которые для многих приложений изначально ошибочны.Текущая практика состоит в том, чтобы сообщать о том, насколько хорошо алгоритм предсказывает, только среди тех случаев, когда мы можем наблюдать результат. В заявлении об освобождении под залог это означает, что наш алгоритм может использовать данные только о тех подсудимых, которые были освобождены судьями, потому что у нас есть только ярлык , дающий правильный ответ на вопрос о том, совершил ли обвиняемый преступление или нет, для подсудимых, которых судьи решили освободить. А как насчет обвиняемых, которых судьи решили не освобождать? Имеющиеся данные не могут сказать нам, совершили бы они повторное преступление или нет.

Это затрудняет оценку того, действительно ли какой-либо новый инструмент машинного обучения может улучшить результаты по сравнению с существующей системой принятия решений - в данном случае с судьями. Если какое-то новое правило освобождения на основе машинного обучения хочет освободить кого-то, кого посадили в тюрьму судьи, мы не можем наблюдать за его «ярлыком», так как же нам узнать, что произойдет, если мы действительно освободим его?

Это проблема не только академического интереса. Представьте, что у судей есть доступ к информации об обвиняемых, которой нет у алгоритма, например к тому, появляются ли члены семьи в суде, чтобы поддержать их.В качестве упрощенного крайнего примера предположим, что судья особенно точно использует эту дополнительную информацию и может применить ее, чтобы точно предсказать, совершат ли молодые обвиняемые повторное преступление или нет. Поэтому судьи освобождают только тех молодых людей, которые не подвергаются риску рецидива. Алгоритм получает данные только о тех молодых людях, которые были освобождены - тех, кто никогда не совершал повторных преступлений. Такой алгоритм, по сути, пришел бы к выводу, что судья совершает серьезную ошибку, заключая в тюрьму так много молодых обвиняемых (поскольку ни один из них в его наборе данных не продолжает совершать преступления).Алгоритм рекомендует освободить гораздо более молодых подсудимых. Алгоритм был бы неправильным. В результате это может непреднамеренно сделать мир хуже.

Короче говоря, тот факт, что алгоритм хорошо предсказывает часть тестовых данных, где мы можем наблюдать метки, не обязательно означает , что означает, что он будет делать хорошие прогнозы в реальном мире. Лучший способ решить эту проблему - провести рандомизированное контролируемое исследование, которое широко распространено в медицине. Затем мы могли бы напрямую сравнить, приводят ли решения об освобождении под залог, принятые с использованием машинного обучения, к лучшим результатам, чем решения, принятые по сопоставимым делам с использованием текущей системы принятия судебных решений.Но даже до того, как мы дойдем до этой стадии, нам нужно убедиться, что инструмент достаточно многообещающий, чтобы этически оправдать его тестирование в полевых условиях. В нашем случае залога большая часть усилий ушла на поиск «естественного эксперимента» для оценки инструмента.

Наш естественный эксперимент основан на двух выводах. Во-первых, в пределах юрисдикции судьи, которые рассматривают дела, по существу случайны. Во-вторых, судьи очень разные по своей снисходительности. Это позволяет нам измерить, насколько хороши судьи при отборе дополнительных обвиняемых в тюрьму.Насколько снижает уровень преступности судья с показателем освобождения 70% по сравнению с судьей с показателем освобождения 80%? Мы также можем использовать эти данные, чтобы узнать, насколько хорош алгоритм при отборе дополнительных обвиняемых в тюрьму. Если мы возьмем дело с 80% -ным показателем освобождения судьи и воспользуемся нашим алгоритмом, чтобы выбрать еще 10% обвиняемых для тюремного заключения, сможем ли мы добиться более низкого уровня преступности, чем тот, который получает судья с 70-процентным показателем освобождения? Это сравнение «человек против машины» не сбивается с толку из-за отсутствия ярлыков для подсудимых, которых судьи заключили в тюрьму, но алгоритм хочет освободить, потому что мы всего лишь просим алгоритм рекомендовать дополнительные задержания (не освобождение).Это сравнение опирается только на ярлыки, которые у нас уже есть в данных, и оно подтверждает, что прогнозы алгоритма действительно приводят к лучшим результатам, чем прогнозы судей.

Может быть ошибочным, а иногда и совершенно вредным, внедрять и расширять новые инструменты прогнозирования, когда они оцениваются только на основе исторических данных с ярлыками, а не на основе их влияния на ключевое политическое решение, представляющее интерес. Умные пользователи могут зайти так далеко, что откажутся от использования любого инструмента прогнозирования, который не воспринимает эту задачу оценки более серьезно.

Помните, что мы еще многого не знаем

В то время как машинное обучение сейчас широко используется в коммерческих приложениях, использование этих инструментов для решения проблем политики является относительно новым. Мы еще многого не знаем, но нам нужно будет решить, что делать дальше.

Возможно, наиболее важным примером этого является то, как объединить человеческое суждение и алгоритмическое суждение для принятия наилучших возможных политических решений. В области политики трудно представить переход в мир, в котором алгоритмы фактически принимают решения; мы ожидаем, что вместо этого они будут использоваться в качестве вспомогательных средств для принятия решений.

Чтобы алгоритмы увеличивали ценность, нам нужны люди, которые их действительно используют; то есть обращать на них внимание хотя бы в некоторых случаях. Часто утверждается, что для того, чтобы люди захотели использовать алгоритм, они должны действительно понимать, как он работает. Может быть. Но многие ли из нас знают, как работают наши машины, наши айфоны или кардиостимуляторы? Кто из нас променял бы производительность на понятность в нашей собственной жизни, например, отказавшись от нынешнего автомобиля с его загадочным двигателем внутреннего сгорания в пользу автомобиля Фреда Флинтстоуна?

Обратной стороной является то, что директивным органам необходимо знать, когда им следует игнорировать алгоритм.Чтобы люди знали, когда переопределять, им необходимо понимать свое сравнительное преимущество перед алгоритмом - и наоборот. Алгоритм может проанализировать миллионы случаев из прошлого и рассказать нам, что происходит в среднем. Но часто только человек может увидеть смягчающее обстоятельство в данном случае, поскольку оно может быть основано на факторах, не учтенных в данных, на которых был обучен алгоритм. Как и в случае с любой новой задачей, вначале люди будут плохо справляться с этим. Хотя со временем они должны стать лучше, для общества было бы очень полезно больше узнать о том, как ускорить эту кривую обучения.

Пара осторожность с надеждой

Путешественник во времени, возвращающийся в начало 20-го -го века, прибудет с ужасными предупреждениями. Одно изобретение могло нанести большой вред. Это станет одной из основных причин смерти, а для некоторых возрастных групп - самой большой причиной смерти. Это усугубит неравенство, потому что те, кто сможет себе это позволить, смогут получить больше рабочих мест и жить более комфортно. Это изменило бы облик планеты, на которой мы живем, затронув физический ландшафт, загрязняя окружающую среду и способствуя изменению климата.

Путешественник во времени не хочет, чтобы эти предупреждения вызывали поспешную панику, которая полностью препятствует развитию автомобильного транспорта. Вместо этого она хочет, чтобы эти предупреждения помогли людям пропустить несколько шагов вперед и пойти по более безопасному пути: сосредоточиться на изобретениях, которые делают автомобили менее опасными, построить города, обеспечивающие легкий доступ к общественному транспорту, и сосредоточиться на транспортных средствах с низким уровнем выбросов.

Путешественник во времени из будущего, говорящий с нами сегодня, может прийти с аналогичными предупреждениями о машинном обучении и поощрить аналогичный подход.Она могла бы способствовать распространению машинного обучения, чтобы помочь решить самые сложные социальные проблемы и улучшить жизнь многих. Она также напоминала нам, чтобы мы были внимательны и пристегивались ремнями безопасности.

,

информатика - Уровень косвенного обращения решает все проблемы

Переполнение стека
  1. Товары
  2. Клиенты
  3. Случаи использования
  1. Переполнение стека Общественные вопросы и ответы
  2. Команды Частные вопросы и ответы для вашей команды
  3. предприятие Частные вопросы и ответы для вашего предприятия
  4. работы Программирование и связанные с ним возможности технической карьеры
  5. Талант Нанять технических талантов
  6. реклама Обратитесь к разработчикам по всему миру
,

Узнайте, как изучать информатику

В большинстве начальных, средних школ и колледжей информатика по-прежнему является факультативным предметом. Однако растущее число учебных заведений - на всех уровнях - требует от своих студентов пройти хотя бы вводный курс по информатике, чтобы получить высшее образование. Мы живем в обществе, управляемом компьютерными технологиями. От школы до работы и общения - понимание того, как работают компьютеры и как ими пользоваться, становится все более важным во многих сферах жизни.Область компьютерных наук выводит вычисления на новый уровень. Все больше и больше студентов получают образование в области компьютерных наук и превращают свои знания в прибыльную карьеру в сфере бизнеса, инженерии и здравоохранения, и это лишь некоторые из них.

Если вы заинтересованы в подготовке к возможностям карьерного роста в области информатики, мы рекомендуем как можно скорее приступить к обучению. В настоящее время большинство средних школ предлагают выбор классов по информатике, а большинство аккредитованных колледжей предлагают программы бакалавриата и магистратуры по информатике и программированию.Какой бы путь карьеры вы ни выбрали, одно можно сказать наверняка: изучение информатики требует большой самоотдачи и учебы.

Ниже мы рассмотрим советы, стратегии и навыки изучения информатики.

Не откладывайте на потом.

Да, да, вы слышали это миллион раз, не откладывайте на потом. Мы позволим нам повторить это снова: «Не откладывайте на потом!» Не откладывайте учебу, не откладывайте выполнение проектов и не откладывайте подготовку к экзаменам.Если у вас есть склонность откладывать дела на потом, вы можете выбрать другую область обучения. Прокрастинация - худшее из возможных занятий на уроках информатики или программирования. Получив задание или проект, сразу же приступайте к нему. Таким образом, если вы не понимаете логику или не можете понять ошибку, у вас будет время получить помощь от своего инструктора или кого-то еще.

Прыгать обеими ногами ... или не прыгать.

Учащийся, увлеченный видеоиграми, 3D-анимацией или компьютерными технологиями, может решить заняться информатикой, но обнаружит, что большую часть своего времени он тратит на программирование - и что он несчастен.Это не значит, что компьютерное программирование никоим образом не приносит пользы, но если вы не заинтересованы в программировании, значит, вы на самом деле не интересуетесь информатикой и, вероятно, не будете получать от этого удовольствие. Если вам нравятся компьютерные игры или анимация, есть другие карьерные возможности, такие как дизайн компьютерных игр, графика, техническое письмо и даже бизнес-менеджмент, которые позволят вам работать в этих отраслях. Просто знайте, что если вы продолжаете образование в области информатики, вам нужно быть готовым - и стремиться - начать программировать.

Выучите математику.

Информатика и математика идут рука об руку. Если вам не нравится математика, вы можете найти компьютерные науки сложной задачей. Например, программисты полагаются на дискретную математику для определения эффективности и сложности алгоритмов. Инженеры по компьютерному оборудованию будут использовать дискретную математику и теорию автоматов при разработке компьютерных схем и конечных автоматов. Исследователи информатики используют математические вероятности и статистику для проведения измерений и сравнений.Даже программисты видеоигр используют математику при разработке 3D-анимации. Если вы хотите изучать и изучать информатику, вы также должны изучать математику.

Не забивайся.

Как мы уже отмечали, прокрастинация не работает, когда дело доходит до изучения информатики. То же самое и с зубрежкой. Ночлег за день до крайнего срока, будь то проект или экзамен, не подойдет. Большая часть работы, которую вы выполните, будучи студентом, изучающим информатику, будет носить практический характер.Это потребует размышлений, энергии, решения проблем и времени. Если вы попытаетесь не спать всю ночь за день до крайнего срока, вы устанете, ваш код не будет работать или на следующий день вы провалите экзамен. Информатика - это область обучения, в которой вам необходимо оставаться в курсе дел и продолжать работать в течение всего семестра. Это не значит, что вам нужно проводить каждую минуту бодрствования за изучением информатики. Это означает, что вам нужно постоянно учиться в течение года.

Не будь одиночкой.

Важно быть самомотивированным и иметь возможность работать независимо, но не менее важно уметь работать в команде. Очень важно научиться учиться в группе и работать в команде. Групповое обучение в рамках получения образования в области информатики дает много преимуществ. Одним из самых больших преимуществ является то, что он научит вас работать в команде и быть командным игроком. После того, как вы закончите учебу и перейдете на рабочее место, более чем вероятно, что вы будете работать в команде.Работа в команде требует навыков и требует, чтобы вы делились «потрясающими» идеями и кодом, который вы написали, с другими, но это необходимо. Ваш код и идеи не всегда будут правильными, и работа в команде может помочь вам стать лучше.

Другие преимущества формирования учебной группы и работы с командой при изучении информатики включают:

  • способность покрывать больше материала
  • делятся знаниями и талантами друг с другом
  • улучшения заметок
  • более эффективно готовиться к экзаменам
  • получить помощь с трудными концепциями
  • просматривают коды друг друга на предмет ошибок
  • сделать обучение интересным

Научитесь писать больше, чем просто код.

Программирование лежит в основе информатики, но вам также нужно уметь писать, чтобы добиться успеха в этой области. Для начала, при программировании вы будете включать комментарии в свой код, чтобы помочь другим понять, что должен делать ваш код. Это может показаться простым, и это по большей части, но действительно хорошие программисты включают последовательные и четкие комментарии, которые делают их код более ценным для их команды, а также для компаний, которые их нанимают. Если вы решите продолжить карьеру в области разработки программного обеспечения, вам, скорее всего, придется писать требования, спецификации и планы тестирования в дополнение к разработке первоклассного кода.По мере того, как вы продвигаетесь по карьерной лестнице в области компьютерных наук, вас также могут попросить разработать технические отчеты, исследовательские работы и многое другое. Чтобы добиться успеха в информатике, вам нужно стать хорошим программистом, но вам также нужно научиться писать. Изучая информатику, уделите время развитию хороших деловых навыков и навыков технического письма.

Воспользуйтесь всеми доступными ресурсами.

Не бросайте полотенце в первый раз, когда вы попали в тупик или столкнулись с дорожным препятствием.Существует множество ресурсов для изучения информатики. В наши дни всемирной паутины Интернет предоставляет тысячи онлайн-ресурсов, от форумов до учебных пособий и виртуальных преподавателей, которые могут помочь вам справиться даже с самыми сложными задачами в области информатики. Так что не отчаивайтесь. В следующий раз, когда у вас возникнет проблема, связанная с информатикой, просто "погуглите". Google - ваш друг и отличный ресурс для поиска информации и ресурсов, которые могут помочь вам справиться с проблемами информатики.

Многие из тех же стратегий и навыков, которые используются для эффективного изучения бизнеса и других технических предметов, включая химию, также могут быть использованы для изучения информатики. Мы также настоятельно рекомендуем ознакомиться с этими разделами по навыкам обучения.

,

Смотрите также