Pacote para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) - 2026 (Pós-Edital) Lote Especial

Name: Pacote para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) - 2026 (Pós-Edital) Lote Especial
Price: 791.28 BRL

Pacote para o concurso TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados): cursos completos das matérias do concurso em Livro Digital Interativo e Fórum de Dúvidas.

Até 11/11

Pacote para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) - 2026 (Pós-Edital)

12x

R$ 65,94

R$ 1.318,80

por R$ 791,28
-40% OFF

No Cartão de Crédito ou 10% de desconto no Boleto ou Pix à vista

Cursos disponíveis nesse produto

Bizu Estratégico de Matemática para Transpetro (PÓS-EDITAL) Professores: Leonardo Mathias
- Introdução
- Análise Estatística
- Apresentação
- Fração, Razão e Proporção
- Regra de Três
- Porcentagem
- Análise Combinatória
- Operações Básicas e Solução de Problemas Básicos
Bizu Estratégico de Tecnologia da Informação para Transpetro (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) (PÓS-EDITAL) Professores: de Produto; Eduardo Gonçalves; Leonardo Mathias
- Apresentação
- Boas-vindas
- Análise Estatística
- Questões do SQ
- Banco de Dados Relacional
- SQL
- BI e DW
- Python
Bizu Estratégico de Matemática para Transpetro (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) (PÓS-EDITAL) Professores: Equipe Pedagógica; Leonardo Mathias
- Introdução
- Análise Estatística
- Apresentação
- Regra de Três
- Porcentagem
- Operações Básicas e Solução de Problemas Básicos
Banco de Dados e Ciência de Dados para TRANSPETRO (Profissional de Nível Superior - Ciências de Dados) (PÓS-EDITAL) Professores: Diego Carvalho; Lucas Ianni
- Conceitos fundamentais de dados, informação e conhecimento; dados qualitativos (nominal, ordinal) e quantitativos (discretos, contínuos); tidy data; formatos de arquivos de dados comuns (txt, csv, xlsx, xml e json). dados estruturados…
- Introdução a Bases de Dados: o que são bases de dados; metadados. Sistemas Gerenciadores de Base de Dados (SGBDs): definição de SGBD; principais funções; principais tipos de SGBDs (SQL) e suas diferenças; transações e índices; controle de acesso…
- Modelo de entidade-relacionamento (ER);
- Modelo de dados: modelo relacional: tabelas, esquemas, chaves (primária e estrangeira), consultas;
- Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados).
- SQL: análise de dados (como funções de agregação, filtros, joins, subconsultas e demais).
- Introdução ao armazenamento de dados: armazenamento de arquivos; principais estruturas de armazenamento de dados analíticos (data warehouse, data mart, data lake, data lakehouse), suas diferenças conceituais e casos de uso; armazenamento na nuvem…
- Modelagem Dimensional; OLAP; [conteúdo não explícito no edital, mas ajuda a entender as aulas seguintes]
- Big Data: conceito de big data; conceitos gerais sobre técnicas.
- Ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, Parquet, HDFS e MapReduce).
- NoSQL: modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos.
- Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques…
- VIII- PROCESSAMENTO DE LINGUAGEM NATURAL (NLP): Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e…
- Metodologias de gestão de projetos de ciência de dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN; Pipeline de treinamento de modelos e suas etapas.
- Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis…
- Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation. Trade-off entre viés e variância; detecção de overfitting e underfitting. Validação de Modelos: Kfold cross-validation…
- Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. Técnicas de classificação: Regressão logística…
- Métricas para avaliação e seleção de modelos: métricas para regressão (MSE; RMSE; MAE; R²; R² ajustado); métricas para classificação (accuracy, precision, recall, F1-score e ROC-AUC); análise de matriz de confusão;
- Técnicas de regularização: lasso; ridge; elastic net; dropout; early stopping; batch normalization. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos.
- Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. Florestas Aleatórias (Random Forest).
- Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). Modelos de séries temporais: definição; componentes…
- Redes neurais: Introdução a Redes Neurais Artificiais (arquitetura, funções de ativação, treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização, épocas, batch size e demais); embeddings; redes profundas (deep…
- Bibliotecas Python: Pandas (manipulação; limpeza; transformação e pré-processamento de dado); NumPy (operações de arrays); Matplotlib e Seaborn (visualização de dados); TensorFlow; Keras e PyTorch (redes neurais); Scikit-learn e XGBoost…
- Microsoft Power BI: conexão e importação de dados; modelagem de dados; criação de medidas e colunas calculadas; visualizações e gráficos; interações entre visualizações; criação de relatórios e painéis.
- Noções de governança de dados (DMBOK): conceitos e objetivos da governança de dados; principais técnicas de qualidade e integridade de dados; princípios de privacidade e proteção a dados.
Língua Portuguesa para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) (PÓS-EDITAL) Professores: Felipe Luccas; Adriana Figueiredo
- Ortografia oficial.
- Classes de palavras: substantivo, adjetivo, advérbios, artigo, numeral, interjeição.
- Classes de palavras: preposição e conjunção.
- Classes de palavras: pronomes. Colocação dos pronomes átonos.
- Classes de palavras: verbos. Tempos e modos verbais.
- Sintaxe: termos da oração.
- Coordenação e de subordinação
- Emprego dos sinais de pontuação.
- Concordância verbal e nominal.
- Mecanismos de coesão textual.
- Significação das palavras.
- Compreensão de textos.
Bizu Estratégico de Estatística para Transpetro (PÓS-EDITAL) Professores: Leonardo Mathias; Glauber Peixoto Macedo Bueno
- Introdução
- Análise Estatística
- Apresentação
- Medidas de Posição
- Medidas de Variabilidade ou Dispersão
- Análise Combinatória
- Probabilidade
Engenharia de Software para TRANSPETRO (Profissional de Nível Superior - Ciências de Dados) (PÓS-EDITAL) Professores: Diego Carvalho
- [ES] 3 - Metodologias Ágeis
- [ES] 4 - Scrum
- [PE] 18. Passo Estratégico - Visualização de Dados - CESGRANRIO
- [AD] 50.21 - Storytelling com Dados
Desenvolvimento de Software para TRANSPETRO (Profissional de Nível Superior - Ciências de Dados) (PÓS-EDITAL) Professores: Vinicius Borges
- Aula 00 - Lógica de Programação [não explícito no edital]
- Aula 01 - Linguagem de programação Python: sintaxe básica; operadores; variáveis;…
Monitoria para TRANSPETRO (PÓS-EDITAL) Professores: de Produto
- Aula 00 - Prof. Nírondes Tavares
- Aula 01 - Prof. Nírondes Tavares
- Aula 02 - Prof. Nírondes Tavares
- Aula 03 - Prof. Nírondes Tavares
Bizu Estratégico de Estatística para Transpetro (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) (PÓS-EDITAL) Professores: Equipe Pedagógica; Glauber Peixoto Macedo Bueno; Leonardo Mathias
- Introdução
- Análise Estatística
- Apresentação
- Medidas de Posição
- Medidas de Variabilidade ou Dispersão
- Análise Combinatória
- Probabilidade
- Estimação Intervalar e Testes de Hipóteses
Bizu Estratégico de Português para Transpetro (PÓS-EDITAL) Professores: Leonardo Mathias
- Introdução
- Análise Estatística
- Apresentação
- Interpretação de Textos
- Classes de Palavras
- Concordância Verbal e Nominal
- Pontuação
- Sintaxe
Matemática e Probabilidade e Estatística para TRANSPETRO (Profissional de Nível Superior - Ciências de Dados) (PÓS-EDITAL) Professores: Estrategia academy
- Operações Básicas
- Regra de Três Simples e Composta
- Porcentagem
- Introdução ao Estudo das Funções
- Função do 1º Grau
- Função de 2º Grau
- Matrizes e Determinantes
- Sistemas Lineares
- Apresentação de Dados
- Médias
- Medidas Separatrizes
- Moda
- Medidas de Dispersão
- Análise Combinatória
- Probabilidade
- Variáveis Aleatórias Discretas
- Distribuições Discretas
- Teoria da Amostragem
- Lei dos Grandes Números
- Estimação Pontual e Intervalar
- Testes de Hipóteses
- Regressão Linear Simples
- Noções Básicas de Cálculo (Limites, Derivadas e Integral)
- Funções Reais de Várias Variáveis
- Álgebra Linear I - Espaços Vetoriais
- Autovalores e Autovetores
- Tópico 01 - Transformações Lineares
- Tópico 01 - Vetores
Língua Inglesa para TRANSPETRO (Profissional de Nível Superior) (PÓS-EDITAL) Professores: Andrea Belo
- English General Presentation
- Text and Vocabulary
- Verb Tenses
- Articles and Nouns
- Adjectives and Adverbs
- Pronouns, Prepositions and Conjunctions
- Direct Speech, Reported Speech and Passive Voice
- If Clauses and Quantifiers