Descrição
Apostila Pref Rio Branco AC 2024 Analista Suporte Banco Dados
Cargo: Analista De Suporte Especialização Em Banco De Dados
Editora: DOMINA CONCURSOS
Edição: 2024
Nível: Superior
Banca: INSTITUTO VERBENA
Edital: Acesso ao Edital
Não é só uma apostila!
Material teórico completo elaborado totalmente de acordo com o novo edital.
Acompanha provas anteriores com gabarito para testar seu aprendizado.
Só hoje, de R$87,98 por R$43,99
50% de Desconto
Conhecimento Básico
(Totalmente de Acordo com Edital 2024)
LÍNGUA PORTUGUESA: 1.Características e funcionalidades de gênerostextuais variados. 2.Interpretação textual de gênerostextuais variados. 3. Modos de enunciação presentes no texto. 4. Gramática normativa. 5. Mecanismos de produção de sentidos nos textos: polissemia, ironia, comparação, ambiguidade, citação, inferência, pressuposto. 6. Organização do texto e fatores de textualidade (coesão, coerência, intertextualidade, informatividade, intencionalidade, aceitabilidade, situacionalidade). 7. Progressão temática. 8. Sequências textuais: descritiva, narrativa, argumentativa, injuntiva, dialogal. 9. Elementos de sequenciação textual: referenciação, substituição, repetição, conectores e outros elementos. 10. Tipos de argumento. 11. Classificação gramatical. 12. Processo de formação de palavras. 13. Análise morfosssintática. 14. Fenômenos gramaticais e construção de significados na língua portuguesa. 15. Relações de coordenação entre orações e entre termos da oração. 16. Relações de subordinação entre orações e entre termos da oração. 17. Concordância verbal e nominal. 18. Regência verbal e nominal. 19. Colocação pronominal. 20. Pontuação.
HISTÓRIA E GEOGRAFIA DO ACRE: 1. História do estado doAcre. 2.Realidade étnica, social, geográfica, cultural, política e econômica doAcre. 3. Clima.
LEGISLAÇÃO: 1. Lei Municipal n° 1.794/2009 – Estatuto do Servidor e suas alterações.
Conhecimento Específico
(Totalmente de Acordo com Edital 2024)
1.Métodos Ágeis Introdução aos métodos ágeis de desenvolvimento de software. Manifesto Ágil. Técnicas Ágeis (Estórias dos Usuários, Casos de Uso, Test Driven Development (TDD), Integração Contínua e Kanban). Modelagem Ágil. Métodos Ágeis (Scrum, XP, FDD, Crystal, Lean, DSDM, Agile Unified Process (AUP), Framework de Práticas Ágeis. Métodos Ágeis e Usabilidade. Métodos Ágeis e Linhas de Produto. Métodos Ágeis e Modelos de Maturidade. Introdução à Inteligência Competitiva. Sistemas Transacionais, Gerenciais e de Suporte à Decisão. 2. Arquitetura para ambientes analíticos. Descoberta de conhecimento. Técnicas de mineração de dados. Preparação de dados. Construção de modelos de agrupamento. Análise de modelos de agrupamento. Construção de modelos de predição. Utilização conjunta de modelos de agrupamento e predição. 3. Aplicações do conhecimento. Persistência do conhecimento. Introdução à Internet das Coisas (Internet of Things – IoT). Componentes da IoT. Esforços de Padronização. Tecnologias relacionadas à IoT. Arquiteturas de sistemas IoT. Modelos de Comunicação IoT. Plataformas para IoT. Tendências e Evolução da IoT. 4. Introdução à programação orientada a objetos. Conceito de abstração de dados, objeto, classe, atributos e métodos, encapsulamento, construtor e sobrecarga. Linguagem de programação orientada a objetos. Ambientes Integrados de programação orientada a objetos. 5. Introdução aos conceitos de Recursividade: algoritmos iterativos x algoritmos recursivos. 6. Algoritmos de Buscas: busca sequencial x busca binária em listas e árvores de busca (memória primária e secundária). Hashing linear e dinâmico com tabela hashing. Algoritmos de ordenação: métodos de ordenação quadráticos, ordenação n-logarítmica, ordenação linear, programação e aplicação dos métodos de ordenação. 7. Persistência de arquivos: memória secundária; sistema de arquivos; persistência de texto e dados binários e, banco de dados e arquivos. 8. Introdução ao Big Data. Definição, características e exemplos de domínios de aplicação. Big Data Analytics. Diferenças entre BI e Big Data. Impactos do uso de Big Data. Utilização de Big Data. Estratégias de Big Data. Infraestrutura de tecnologia para o desenvolvimento de Big Data. Desafios na gerência de Big Data: integração, armazenamento, análise de dados e suporte a tempo real. 9. Princípios de Segurança da Informação: confidencialidade, integridade, disponibilidade, autenticidade e não repúdio. Ataques cibernéticos conforme OWASP. Desenvolvimento seguro de aplicações. Controle de acesso com autorização e permissionamento e, as diferentes formas de autenticação. Segurança em banco de dados SQL e NOSQL em nuvem. 10. Conceitos de Criptografia e certificação digital: DES, RSA, Hash, DiffieHellaman e PGP. 11. Segurança em sistemas operacionais. Gerenciamento de segurança de TI e avaliação de riscos. Política de segurança da informação. Auditoria de Sistemas. Introdução ao Pré Processamento de dados: limpeza, transformação e redução. 12. Aplicação de regras e modelos: regras de associação quantitativa, associação multinível, particionamento e outros. 13. Classificação: árvore de decisão, classificador bayesiano, backpropagation, KNN e modelo de predição estatística. Métodos de clusterização: particionamento, densidade e baseado em grade. 14. Utilização de ferramentas de mineração de dados: RapidMiner, Project R e Weka. Evolução dos requisitos de gerenciamento de dados e dos modelos de bancos de dados. 15. Bancos de dados nas nuvens e suas categorias. Bancos de dados NoSQL: Chave-Valor (Redis), Documento (MongoDB), Grafo (Neo4J), Coluna (Cassandra e HBase) e Pesquisa (ElastickSearch/ELK). Bancos de dados NewSQL. Bancos de dados em memória. Principais SGBDs e seus recursos de gerenciamento de dados. Hadoop e suas ferramentas (HDFS, MapReduce, Pig, Spark, Hive, Kafka, outros). 16. Introdução a Machine Learning, problemas, dados e ferramentas. Fundamentos estatísticos com regressão linear, SSE e características. Overfitting, complexidade, treinamento, validação e dados de teste. 17. Problemas de classificação, fronteiras de decisão, métodos de vizinhos mais próximos. 18. Redes Neurais Artificiais. Suporte a Vector Machines. Aprendizagem não supervisionada e aprendizagem por reforço. 19. Deep Learning. Análise de Data Stream: modelos, ferramentas e algoritmos. Métricas de similaridade sobre streams distribuídos: AnKLE, Codeviation e Sketch. 20. Análise de performance dos algoritmos. Uso de métodos de análise de processamento de stream: Apache Storm, keygrouping e shuffle grouping. Processamento de stream em larga escala com Spark, Apache Storm, Logstash, Kafka e Flink. Análise de rede distribuída em tempo real.
Apostila Pref Rio Branco AC 2024 Analista Suporte Banco Dados
