SERPRO / 2021 Analista - Ciência de Dados

Não contemplamos os tópicos: MÉTODOS DE OTIMIZAÇÃO MATEMÁTICA, INGESTÃO DE DADOS, PROCESSAMENTO DE DADOS, QUALIDADE DE DADOS, MDM (MASTER DATE MANEGEMENT) e GOVERNANÇA DE DADOS.

Não contemplamos os assuntos:

Linguagens de Programação e Frameworks - "3 Scala.  5 Spark (PySpark, Scala e Java).  6 Pandas.  7 Scikit-learn.  8 TensorFlow.  9 PyTorch.  10 Keras.  11 NLTK".

Gestão de Projetos em Ciência de Dados - "2 Gerenciamento de projetos tradicionais.  3 Gerenciamento de projeto ágeis".

Big Data - 11 Arquiteturas de big data.  11.1 Arquitetura Lambda.  11.2 Arquitetura Kappa.  11.3 Arquitetura de IoT. 11.4 Arquitetura de cloud computing para dados (AWS, Azure).

Armazenamento de Dados - 6 Sistemas de indexação: ElasticSearch.

Business Intelligence e Analytics - 2 Arquitetura e análise de requisitos para sistemas analíticos. 7 Visualização e análise exploratória de dados. 7.1 Ferramentas de criação de dashboards (Qlik, MicroStrategy Dossiê, Tableau e Pentaho). 7.2 Storytelling. 7.3 Elaboração de painéis e dashboard. 7.4 Elaboração de relatórios analíticos.

Tratamento de Dados - 1 Normalização numérica. 2 Discretização. 3 Tratamento de dados ausentes. 

Aprendizado da Máquina - 1 Técnicas de classificação.  1.1 Naive Bayes.  1.2 Regressão logística.  1.3 Redes neurais artificiais.  1.3.1 Funções de ativação: limiar, linear, ReLU, logística, softmax, maxout e gaussiana.  1.3.2 Redes Perceptron de única e múltiplas camadas.  1.6 K vizinhos mais próximos (KNN – K-nearest neighbors).  1.7 Comitês de classificadores.  1.8 Avaliação de modelos de classificação: treinamento/teste/validação; validação cruzada; métricas de avaliação (matriz de confusão, acurácia, precisão, F1-score e curva ROC). 2.3 Redes neurais para regressão. 2.5 Máquinas de vetores de suporte para regressão. 2.7 Avaliação de modelos de regressão: mean absolute error (MAE), mean square error (MSE), root mean square error (RMSE) e coeficiente de determinação (R2).  4 Técnicas de redução de dimensionalidade.  4.1 Seleção de características (feature selection).  4.2 Análise de componentes principais (PCA – principal component analysis).  6 Sistemas de recomendação.  7 Processamento de linguagem natural (PLN).  7.1 Normalização textual (stop words, estemização, lematização e análise de     frequência de termos).  7.2 Rotulação de partes do discurso (POS-tagging – part-of-speech tagging).  7.3 Reconhecimento de entidades (NER – named entity recognition) e rotulação IOB.  7.4 Modelos de representação de texto: N-gramas, modelos vetoriais de palavras (CBOW, Skip-Gram e GloVe), modelos vetoriais de documentos (booleano, TF e TF-IDF, média de vetores de palavras e Paragraph Vector).  7.5 Métricas de similaridade textual (similaridade do cosseno, distância euclidiana, similaridade de Jaccard, distância de Manhattan e coeficiente de Dice). 7.6 Aplicações de PLN: sumarização automática de texto (abordagens extrativa e abstrativa), modelagem de tópicos em texto (algoritmos LSI, LDA e NMF), classificação de texto, agrupamento de texto, tradução automática de texto, análise de sentimentos e emoções em texto, reconhecimento de voz (STT – speech to text).  8 Visão computacional.  8.1 Reconhecimento facial.  8.2 Classificação de imagens.  8.3 Detecção de objetos.  8.4 Deep learning para visão computacional.  9 Aprendizado profundo. 9.1 Redes neurais convolucionais.  9.2 Redes neurais recorrentes.  9.2.1 Redes de Hopfield.  9.2.2 Long short-term memory (LSTM).  9.2.3 Redes perceptron multicamadas recorrentes.  9.2.4 Máquinas de Boltzmann. 9.2.5 Deep belief networks.

Legislação acerca da Privacidade e Proteção de Dados Pessoais - não contemplamos os assuntos "4 Decreto nº 9.637/2018 (Política Nacional de Segurança da Informação)". Capítulo II.