- Área de estudo
- Contexto no curso
- Relação com o mercado de trabalho atual
- Introdução ao pensamento computacional e ao ambiente de desenvolvimento em Python;
- Fundamentos da linguagem aplicados ao contexto agrícola, incluindo variáveis, estruturas de decisão e repetição;
- Manipulação, análise e visualização de dados com bibliotecas especializadas;
- Princípios de Inteligência Artificial e Aprendizado de Máquina;
- Modelos de classificação, regressão e agrupamento de dados (clustering);
- Introdução às redes neurais, visão computacional e processamento de imagens;
- Fundamentos de IA generativa e engenharia de prompt;
- Ética, impactos socioambientais e tomada de decisão profissional mediada por algoritmos;
- Desenvolvimento de projetos preditivos aplicados a problemas reais da Agronomia.
Objetivo geral Desenvolver o pensamento computacional e a aplicação de técnicas de programação e Inteligência Artificial no contexto da Agronomia, capacitando os estudantes a analisar dados, automatizar tarefas e construir soluções preditivas para problemas do setor agrícola.
Objetivos específicos
- Compreender os fundamentos do pensamento computacional e da programação em Python.
- Manipular dados agrícolas utilizando bibliotecas de análise e visualização.
- Aplicar estruturas de decisão, repetição e organização de dados para automatizar tarefas simples.
- Entender os princípios da Inteligência Artificial e do Aprendizado de Máquina.
- Construir e avaliar modelos de classificação, regressão e agrupamento aplicados a dados agrícolas.
- Explorar conceitos básicos de redes neurais, visão computacional e IA generativa.
- Discutir aspectos éticos e impactos da IA na tomada de decisão profissional.
- Desenvolver e apresentar um projeto preditivo aplicado a um problema real da Agronomia.
Competências a serem desenvolvidas
- Raciocínio lógico e pensamento computacional.
- Programação básica em Python aplicada ao contexto agrícola.
- Coleta, organização, análise e visualização de dados.
- Interpretação de resultados de modelos de Inteligência Artificial.
- Resolução de problemas com uso de técnicas de IA.
- Trabalho colaborativo e comunicação técnica.
- Pensamento crítico sobre o uso ético e responsável da IA na Agronomia.
| Semana | Obs. | Tópico da Aula | Metodologia Ativa |
|---|---|---|---|
| 7 | Introdução ao Pensamento Computacional e Ambiente Google Colab | Gamificação | |
| 8 | Carnaval | -- | |
| 9 | Variáveis e Tipos de Dados em Python aplicados ao contexto agrícola | Ensino por Pares (Peer Instruction) | |
| 10 | Estruturas de Decisão e Repetição para automação de tarefas simples | Codificação em Dupla (Pair Programming) | |
| 11 | Manipulação de Listas e Bibliotecas de Análise de Dados (Pandas) | Aprendizagem Baseada em Problemas (PBL) | |
| 12 | Visualização de Dados e Gráficos Estatísticos com Matplotlib e Seaborn | Galeria de Exposição (Gallery Walk) | |
| 13 | Fundamentos de Inteligência Artificial: Diferença entre Algoritmos e Modelos | Mapa Mental Colaborativo | |
| 14 | Aprendizado de Máquina Supervisionado: Classificação de dados qualitativos (parte 1) | Sala de Aula Invertida | |
| 15 | Aprendizado de Máquina Supervisionado: Classificação de dados qualitativos (parte 2) | Sala de Aula Invertida | |
| 16 | Regressão Linear e Não-Linear para Previsão de Variáveis Quantitativas (parte 1) | Laboratório de Descoberta | |
| 17 | Tiradentes | --- | |
| 18 | Agrupamento de Dados (Clustering) para identificação de padrões | Estudo de Caso Prático | |
| 19 | Congresso | --- | |
| 20 | Introdução às Redes Neurais e Reconhecimento de Padrões (parte 1) | Simulação de Papéis (Role-playing) | |
| 21 | Introdução às Redes Neurais e Reconhecimento de Padrões (parte 2) | Simulação de Papéis (Role-playing) | |
| 22 | Visão Computacional: Processamento básico de imagens e detecção de objetos (parte 1) | Desafio Maker | |
| 23 | Visão Computacional: Processamento básico de imagens e detecção de objetos (parte 2) | Desafio Maker | |
| 24 | Inteligência Artificial Generativa e Prompt Engineering para Agrônomos | Tempestade de Ideias (Brainstorming) | |
| 25 | Ética e Impactos da IA na Tomada de Decisão Profissional | Debate Pró e Contra | |
| 26 | Desenvolvimento de Solução Preditiva Final (orientação de projeto) | Project-Based Learning (PjBL) | |
| Apresentação da Solução Preditiva Final | Project-Based Learning (PjBL) |
- SILVA, Leonardo Soares e; FORTES, Gabriel. Aprenda a programar com python: descomplicando o desenvolvimento de software. São Paulo, SP: Casa do Código, 2022. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- LUGER, G. F. Inteligência artificial. 6. ed. São Paulo: Pearson, 2013. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- CARRARO, Fabrício. Inteligência artificial e ChatGPT: da revolução dos modelos de IA generativa à engenharia de prompt. São Paulo, SP: Casa do Código, 2023. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- MUNIZ, Antonio et al. Inteligência Artificial para Negócios:: aprenda como dez empresas brasileiras geraram resultados com IA. [S.l.]: Brasport, 2025. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- SILVA, Everaldo Leme da (org.). Programação de computadores. 1. ed. São Paulo, SP: Pearson, 2015. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- CORRÊA, Eduardo. Pandas python: data wrangling para ciência de dados. São Paulo, SP: Casa do Código, 2020. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 fev 2026.
- Frequência e pontualidade
- Entregas de atividades
- Comunicação com o professor