***
👋 歡迎來到單元 4：計算思維 (Computational Thinking, CT)！
各位未來的電腦科學家好！如果覺得這個單元聽起來很複雜，別擔心——這其實是整門課最有趣的部分。計算思維 (Computational Thinking, CT) 是所有電腦科學的基石。它指的並不是編寫程式碼，而是學習如何像電腦一樣，高效、清晰且合乎邏輯地解決問題。
你可以把 CT 想成是你的 CS 超能力——這是一套工具箱，無論是規劃讀書進度還是設計下一個熱門應用程式，你都可以用它來處理各種難題。掌握了這些技巧，你會發現課程的其餘部分，尤其是程式設計，將會變得容易理解得多！
學習目標： 在本章結束時，你將會理解計算思維的四個核心要素，以及它們如何幫助你設計出有效的演算法。
***
1. 什麼是計算思維？
計算思維 (CT) 是一個解決問題的過程，包含了一系列心智工具與技術，幫助我們建構問題，並以人類或電腦都能有效執行的方式表達出解決方案。
解決問題的過程
CT 的核心環繞著四項基礎技術，通常我們使用縮寫 D.P.A.A. 來記憶：
- Decomposition（分解）
- Pattern Recognition（模式識別）
- Abstraction（抽象化）
- Algorithm Design（演算法設計與評估）
你知道嗎？ CT 是一種早在現代電腦出現之前就存在的技能！數學家和邏輯學家幾個世紀以來一直在使用這些技術。
***
2. 計算思維的四大支柱
2.1. 分解 (Decomposition)
這是什麼？
分解是指將複雜的問題或系統拆解成更小、更易於管理的子問題。這是應對任何大型任務的第一步。
類比：拼裝 LEGO 城堡
如果你要拼一座巨大的 LEGO 城堡，你不會把整盒積木倒出來然後隨機拼湊。相反地，你會這樣分解任務：
- 搭建地基/基礎結構。
- 搭建塔樓 A。
- 搭建主城門。
- 組裝屋頂部分。
- 將所有部分連接起來。
每個子問題（例如搭建一座塔樓）都比原先複雜的任務（建造整座城堡）要容易解決得多。
分解的好處：
- 降低複雜度，讓任務看起來沒那麼令人畏懼。
- 允許不同的人（或團隊）同時處理不同的子問題（這在大型軟體開發專案中至關重要）。
- 讓識別錯誤（除錯/Debugging）變得容易許多。
快速回顧： 分解將一個巨大的頭痛難題變成了幾個小型、可解決的拼圖。
2.2. 模式識別 (Pattern Recognition)
這是什麼？
模式識別涉及在分解後的小問題中，尋找相似之處、趨勢或共通特徵。
類比：準備晚餐
如果你要為派對準備幾道菜，你可能會注意到一些模式：
- 清洗蔬菜是三種不同沙拉都需要的前置步驟。
- 切洋蔥是湯和燉菜都需要做的。
透過識別這些重複的模式，你就不必每次都發明一個新的解決方案（或編寫一個新的函式）。你可以使用相同的技術（或編寫同一個程式碼模組）來解決多個相似的子問題。
模式識別的好處：
- 透過重複使用有效的解決方案，節省時間與心力。
- 編寫出更簡潔、優雅的程式碼（減少重複）。
- 有助於預測與分析（如果我們知道問題過去的表現模式，它未來很可能也會以同樣方式運作）。
重點： 如果你發現了模式，你就只需要解決那一部分一次！
2.3. 抽象化 (Abstraction)
這是什麼？
抽象化可以說是計算思維中最重要，但也往往最具挑戰性的一環。它的意思是專注於必要的資訊，同時過濾掉不相關的細節。
它能幫助我們建立一個模型 (Model)，或是問題的簡化表示。
類比：城市地圖
當你在手機上使用地圖時，你看不到每棟房子的確切顏色、路邊樹木的種類，或是是否有車輛違規停放。為什麼呢？因為這些細節對於你的目標（找出最快的路線）而言是無關的。
- 必要細節： 道路名稱、路口、行駛方向。
- 不相關細節（被過濾掉）： 建築物顏色、天氣、個別的街道告示牌。
在電腦科學中，解決問題時，我們必須識別出核心變數與處理程序（必要細節），並忽略任何對解決方案沒有直接影響的事物。
避免常見誤區：
學生有時會將「抽象化」與「分解」混淆。
- 分解是將問題的物理規模拆分（劃分任務）。
- 抽象化是減少問題的資訊複雜度（忽略細節）。
快速回顧： 抽象化是為了找出真正重要的部分，從而建立一個實用且簡化的模型。
2.4. 演算法設計 (Algorithm Design)
這是什麼？
在分解問題、識別模式並抽象出必要資訊後，最後一步就是設計一套解決問題的指令集。這套指令集就是演算法 (Algorithm)。
演算法是一組有限的、無歧義的、逐步執行的指令，遵循這些指令即可解決特定類型的問題。
優秀演算法的特徵：
- 輸入 (Input)： 必須接受零個或多個定義明確的輸入。
- 輸出 (Output)： 必須產生一個或多個定義明確的輸出。
- 無歧義 (Unambiguous)： 每個步驟必須清晰且精確（例如：寫「將兩個數字相加」，而不是「隨便混在一起」）。
- 有限性 (Finite)： 必須在執行有限步驟後終止（結束）。
- 有效性 (Effective)： 每一個指令必須足夠簡單，能被可靠地執行。
表示演算法的方式
我們使用精確但不綁定特定程式語言的結構來表達演算法：
- 偽代碼 (Pseudocode)： 類似程式碼的結構化文字（例如：IF 條件 THEN 動作）。
- 流程圖 (Flowcharts)： 使用標準化符號的圖表（平行四邊形表示輸入/輸出，矩形表示程序，菱形表示決策）。
重點： 演算法設計是將之前所有思考步驟 (D.P.A.A.) 轉化為實踐的過程。
***
3. 評估解決方案（實際的解決問題）
一旦設計出演算法並可能已實作為程式碼，計算思維的過程並沒有結束。我們必須評估該解決方案是否有效。
3.1. 正確性與測試
最基本的評估是解決方案是否正確運作。
- 驗證 (Validation)： 解決方案是否符合使用者的需求？
- 確認 (Verification)： 解決方案是否依照規格正確地建構？
我們使用測試計畫 (Test plans) 來系統性地檢查解決方案，包括邊界情況 (Boundary cases) 和異常數據，以確保演算法足夠穩健。
3.2. 效率（時間與空間）
正確的演算法不一定就是好的演算法。我們還必須考慮它的效率——即它如何有效使用資源。
時間效率（時間複雜度 Time Complexity）
這衡量的是當輸入數據量增加時，演算法的執行時間如何成長。我們通常使用大 O 符號 (Big O Notation) 來討論（稍後你會深入學習）。
一個非常高效的演算法（如簡單搜尋）可能是 \(O(1)\) 或 \(O(\log n)\)，這意味著即使數據量 (n) 非常龐大，所需時間幾乎不會增加。而效率較低的演算法（如複雜的排序程序）則可能是 \(O(n^2)\) 或更糟。
空間效率（空間複雜度 Space Complexity）
這衡量的是演算法執行時需要多少暫存記憶體（空間）。在現代計算中，空間作為限制因素的情況雖然不如時間頻繁，但仍是至關重要的考量，特別是對於資源有限的設備（如微控制器或行動裝置）。
重點： 我們基於兩個準則來評估解決方案：它們是否正確（能運作嗎？），以及它們是否有效率（運作迅速且不會浪費資源嗎？）。
***
📘 快速回顧：計算思維工具箱
計算思維 (CT) 是一種嚴謹的解決問題方法。每次處理複雜任務時，請務必使用 D.P.A.A. 框架！
| 支柱 | 行動 | 目的與類比 |
| 分解 | 將複雜問題拆解成較小部分。 | 使問題易於管理（就像規劃一場大型長假）。 |
| 模式識別 | 識別共同主題、相似點與可重複使用的解決方案。 | 透過重複使用方法來節省工作（就像發現多個方程式使用同一個公式）。 |
| 抽象化 | 專注於必要細節並忽略不相關的「噪音」。 | 建立一個簡化、相關的模型（就像閱讀地鐵路線圖）。 |
| 演算法設計 | 開發逐步執行的指令。 | 提供具體、無歧義的解決方案（就像詳細的食譜）。 |
持續練習這些步驟，你會發現計算思維將成為你的本能，這不僅能幫助你的電腦科學學習，還能應用到你所有的科目中！
***