Roteiro

• Encontro 0 – Gestão de Projetos de Inteligência Artificial

Abertura, objetivos do curso e contexto
Explanação sobre Gestão de Projetos de Inteligência Artificial

• Encontro 1 – Introdução à IA e COP30

Conceitos iniciais de IA e aplicações ambientais.
Estudo de caso com vídeos e discussão guiada.
Atividade em grupo: "Como a IA pode ajudar minha comunidade?".

• Encontro 2 – Conceitos-Chave de IA

Apresentação da Atividade em grupo: "Como a IA pode ajudar minha comunidade?".
Tipos de IA (supervisionado, não supervisionado, generativa).
Dados como combustível da IA (exemplos reais).
Atividade em grupo: Atividade prática com reflexão sobre dados ambientais.

• Encontro 3 – Engenharia de Prompt I

Apresentação da Atividade em grupo: “Reflexão sobre dados ambientais”
Anatomia de um prompt eficaz (teoria)
Demonstração prática com LLM (ChatGPT ou similar)
Atividade em grupo: Criando prompts para temas ambientais.

• Encontro 4 – Engenharia de Prompt II

Apresentação da Atividade em grupo: “Criando prompts para temas ambientais”.
Estratégias para refinar e controlar respostas.
Prompt aplicado: COP30, Amazônia e biodiversidade.
Atividade prática guiada (resumo e extração de dados) .
Instruções para Desafio 1.

• Encontro 5 – Vibe Coding e Criatividade Computacional

O que é Vibe Coding?
Integração de IA generativa com código interativo.
Exploração de APIs, interfaces criativas e ideias de prototipação.
Criar um esboço de projeto interativo usando Python, dados reais e GenAI para visualização ou tomada de decisão ambiental.

• Encontro 6 – Remix de Dados com Propósito

Técnicas de remixagem de dados.
Introdução a visualizações reativas (Dash, Streamlit ou Replit).
Conexão com dados ambientais em tempo real ou simulados.

• Encontro 7 – Oficina de Prototipagem com IA

Engenharia de prompt + front-end leve com Python.
Gerando explicações, decisões e resumos com LLMs dentro do código.
Elementos de design com impacto para comunicar dados.
Criar um miniprojeto interativo que use IA para explicar, simular ou propor uma ação ambiental com base em um dataset real.
Esclarecimento de dúvidas sobre o Desafio 2

• Encontro 8 – Introdução ao Google Colab + Variáveis e Tipos

Demonstração do Colab e boas práticas
Variáveis, strings, inteiros, listas (mão na massa)
Exercícios sobre dados simulados de temperatura
Desafio relâmpago para o grupo.

• Encontro 9 – Controle de Fluxo

Explicação sobre if/else e loops
Exercícios aplicados a dados ambientais (ex: alertas de desmatamento)
Preparação para Desafio 2

• Encontro 10 – Funções, Listas e Dicionários

Criação e chamada de funções simples
Organização de dados em listas/dicionários
Atividade: calcular média móvel de área desmatada
Dicas para modular código

• Encontro 11 – Encontro com Especialista 1

Palestra sobre sensores, drones e dados da floresta
Oficinas de ideias para dados aplicados à floresta
Esclarecimento de dúvidas sobre o Desafio 3

• Encontro 12 – Introdução ao Pandas

Leitura de CSV, criação de DataFrame
Seleção e filtragem básica
Atividade prática com dataset de rios da Amazônia

• Encontro 13 – Agrupamento e Agregação

Uso de groupby, cálculos de média e desvio padrão
Comparação de municípios
Estudo dirigido com base em dados de biodiversidade

• Encontro 14 – Visualização com Matplotlib/Seaborn

Criação de gráficos (linha, barra, dispersão)
Análise visual de padrões
Exercício com gráfico + interpretação escrita

• Encontro 15 – Encontro com Especialista 2

Encontro com Especialista 2
Exposição sobre dados e conservação
Estudo de caso interativo
Instruções e orientação para Desafio 4

• Encontro 16 – Fundamentos de ML

Explicação teórica supervisionado x não supervisionado
Pipeline de ML e Scikit-learn
Mini simulação de dados (preparação)

• Encontro 17 – Classificação com Scikit-learn

Teoria + modelo árvore de decisão
Exercício prático com risco de incêndio
Análise dos resultados e acurácia

• Encontro 18 – Regressão com Scikit-learn

Teoria + regressão linear.
Exercício com dados de rios vs chuva.
Discussão sobre erro, limites do modelo.

• Encontro 19 – Encontro com Especialista 3

Modelagem climática na Amazônia.
Debate orientado por dados reais.
Lançamento do Desafio 5.

• Encontro 20 – Clustering com K-Means.

Conceito, visualização e distâncias.
Execução no Scikit-learn com dados reais.
Interpretação e construção de narrativas.

• Encontro 21 – Introdução à IA Generativa

Demonstração de geração de texto e imagem.
Aplicações para comunicação de dados.
Atividade prática com prompts para relatório ambiental.

• Encontro 22 – Especialista 4 + Kick-off do Projeto Final

Debate sobre política pública e COP30
Formação de grupos, escolha de temas
Mentoria orientada por tema

• Encontro 23 – Workshop de Projetos

Sessão de dúvidas e checagem de entregáveis

• Encontros 24 e 25 – Workshop de Projetos

Mini-apresentações dos grupos
Avaliação final, próximos passos e encerramento

Durante o curso, os alunos enfrentarão quatro desafios práticos no formato PBL (Project-Based Learning), cada um correspondendo a um momento-chave da formação.
Os desafios evoluem da investigação com LLMs sobre os temas da COP30 e problemas ambientais da Amazônia, passando por análise de dados reais (como desmatamento e qualidade da água), até a construção de modelos de Aprendizado de Máquina para prever riscos ambientais.
No desafio final, os alunos utilizarão IA Generativa para comunicar resultados de forma acessível a públicos não especializados, reforçando o papel social da tecnologia.

As atividades avaliativas incluem relatórios técnicos curtos, códigos bem comentados em Python (Google Colab), representações gráficas com Matplotlib/Seaborn e comunicações geradas por LLMs. Os critérios de avaliação abrangem: 

1. compreensão e contextualização do problema, 

2. domínio técnico e precisão analítica, 

3. clareza na visualização ou comunicação dos dados, e 

4. aplicabilidade das soluções propostas ao território amazônico. 

O último desafio poderá compor parte do projeto integrador final.

As devolutivas serão generalizadas, compostas por comentários detalhados dos docentes.
Os conjuntos de dados (datasets) utilizados virão de fontes como: MapBiomas (uso do solo e desmatamento), BDClima/INMET (clima e temperatura), ANA (nível de rios), e conjuntos simplificados fornecidos pelo curso sobre qualidade da água e indicadores socioambientais municipais.
Esses conjuntos de dados serão adaptados para facilitar a aprendizagem e garantir conexão direta com os desafios reais da Amazônia.

• Descrição

Ligado ao Bloco 1, este desafio desafia os alunos a explorarem a Amazônia e a COP30 usando Modelos de Linguagem (LLMs). O grupo deverá criar prompts eficazes para levantar prioridades ambientais da COP30, identificar dados cruciais para o monitoramento da região e indicar problemas amazônicos nos quais a IA poderia ser aplicada com impacto real.

• Entrega

Um relatório em tópicos contendo:

1.  3 prioridades da COP30 ligadas à Amazônia;

2.  2 tipos de dados ambientais relevantes;

3.  3 problemas locais com potencial de aplicação da IA. Incluir os prompts utilizados e capturas de tela das interações com a IA.

• Ferramentas

ChatGPT, Gemini, navegador web e documentos oficiais (ONU, MMA, IPAM).

• Descrição

Este desafio, incentiva os grupos a integrarem criatividade, dados ambientais e Inteligência Artificial para desenvolver um protótipo interativo com impacto social. Utilizando os princípios do Vibe Coding, os alunos deverão criar uma aplicação que receba dados de entrada, execute análises ou simulações com lógica programada e utilize IA generativa para gerar explicações, recomendações ou visualizações. O objetivo é transformar código em instrumento de conscientização e ação, permitindo ao usuário comum entender e interagir com questões ambientais reais de forma acessível e inteligente.

• Entrega

Notebook em Google Colab ou Replit com código funcional, interface interativa básica e integração com IA generativa:

1. entrada de dados simulados ou reais; 

2. execução de análise ou simulação ambiental; 

3. geração automatizada de explicações ou recomendações;

4. interface simples para interação com o usuário. 

Incluir documento explicativo com objetivo, público-alvo e impacto esperado (até 300 palavras).

• Ferramentas

Google Colab ou Replit, Python (Pandas, Matplotlib, Seaborn), LLMs (ChatGPT, Gemini), opcionalmente Streamlit ou Dash.
Dataset ambiental fornecido ou escolhido pelo grupo.

• Descrição

Este desafio convida os grupos a aplicar os conhecimentos de programação com Python para analisar dados reais de desmatamento. Com foco em lógica, estruturas e funções, os alunos calcularão totais, médias e identificarão os piores anos e municípios afetados. O objetivo é praticar a extração de conhecimento útil a partir de dados estruturados.

• Entrega

Notebook em Google Colab ou Replit com código funcional, comentários explicativos e respostas analíticas:

1. total desmatado;

2. ano mais crítico; 

3. média anual; 

4. gráficos simples. 

Incluir breve interpretação escrita (150 palavras).

• Ferramentas

Google Colab, Python, Pandas, Matplotlib.
Dataset .csv fornecido pelo curso.

• Descrição

Nos encontros, os alunos terão acesso a dados reais sobre qualidade da água de rios amazônicos.
O desafio é utilizar as bibliotecas Pandas e Seaborn para limpar, filtrar, agrupar e visualizar esses dados, gerando hipóteses visuais sobre variações e possíveis causas ambientais dos indicadores medidos (pH, oxigênio dissolvido etc.).

• Entrega

Notebook com:

1. código de limpeza e filtragem;

2. pelo menos 3 gráficos (linha, dispersão, barra);

3. um comentário escrito explicando tendências observadas (entre 180 até 350 palavras).

Apresentar também uma hipótese inicial para investigação futura.

• Ferramentas

Google Colab, Pandas, Seaborn, Matplotlib. Dataset de qualidade da água por localidade (fornecido).

• Descrição

Este desafio propõe o uso de Aprendizado de Máquina para prever o risco de incêndios florestais.
Com um dataset contendo variáveis como temperatura, umidade e dias sem chuva, os alunos devem treinar um modelo de classificação (ex: árvore de decisão), validar seu desempenho e interpretar suas limitações no contexto real da floresta.

• Entrega

Notebook completo contendo:

1. preparação de dados;

2. treino de modelo com Scikit-learn;

3. matriz de confusão, acurácia e gráfico;

4. análise crítica do modelo e sugestões para melhoria (máx. 200 palavras).

• Ferramentas

Google Colab, Pandas, Scikit-learn, Matplotlib. Dataset fornecido com variáveis ambientais históricas.

1. Descrição:
   O projeto final é a culminância de todo o percurso formativo do curso, desafiando os alunos a aplicarem, de forma integrada, os conhecimentos adquiridos em Inteligência Artificial, análise de dados e comunicação estratégica.
   A proposta é desenvolver uma solução baseada em dados e IA voltada para um desafio socioambiental real enfrentado por sua cidade, comunidade ou região, com foco em sustentabilidade, clima, água ou biodiversidade.
   O projeto deve demonstrar senso de pertencimento e compromisso com o território amazônico.
   
   Cada grupo deverá escolher um problema concreto – como aumento de queimadas, contaminação de rios, vulnerabilidade climática urbana, perda de cobertura vegetal ou acesso desigual à água potável – e investigar esse fenômeno por meio da análise de dados reais.
   
   A equipe deverá construir visualizações claras, testar pelo menos uma técnica de aprendizado de máquina (classificação, regressão ou clustering), gerar insights práticos e produzir uma comunicação acessível sobre o resultado alcançado, voltada ao poder público ou à comunidade local.
   
   O projeto exige que os alunos articulem habilidades técnicas (programação, modelagem, visualização), competências analíticas (interpretação de padrões, formulação de hipóteses) e responsabilidade ética (uso consciente da IA e respeito ao território e seus povos).
   
   A proposta deve ser guiada por perguntas como: “Que problema me incomoda no meu território?” e “Como posso, com IA e dados, ajudar a transformá-lo?”.
   
   O trabalho também deverá conter uma parte narrativa, elaborada com ferramentas de IA generativa, que comunique os resultados obtidos em linguagem acessível para um público leigo. Pode ser um resumo executivo, uma carta pública, uma proposta de ação para um gestor ou até um roteiro para campanha de conscientização
   
   

2. Entrega:

• Notebook com análise de dados, modelo de IA aplicado, gráficos e resultados interpretados. 

• Um texto explicativo entre 900 até 1200 palavras voltado à comunidade ou a gestores. 

• Apresentação final do projeto (em formato de slides ou painel visual). 

• Link para compartilhamento do código (Google Colab) e dos materiais visuais.

3. Ferramentas possíveis:

Google Colab, Python (Pandas, Scikit-learn, Matplotlib, Seaborn), LLMs (ChatGPT, Gemini), datasets públicos (INPE, MapBiomas, ANA, IBGE, BDClima), Canva ou Google Slides para visualização, ferramentas colaborativas como Google Docs e Jamboard