5 horas
Segurança da Informação - Revisão e Questões - CESPE/Cebraspe
R$ 42,50 ou
12x R$ 3,54
Professor de Desenvolvimento de Sistemas.
Sobre o Curso
Curso com o conteúdo mais completo, assertivo e descritivo do mercado para gabaritar o Conteúdo Específico de TI para o Cargo de Inteligência da Informação da DATAPREV 2023.
Estude com uma metodologia didática única e inovadora focada em revisões completas e na resolução integral e detalhada de questões da banca CESPE/Cebraspe e de bancas complementares.
Comece a estudar agora mesmo e gabarite todas as questões de TI da tua prova.
Estude com quem realmente entende, conhece do assunto e sabe ensinar.
Valor promocional de lançamento com 30% de desconto até dia 13/08/2023.
Concurso: DATAPREV 2023.
Cargo: Inteligência da Informação
Banca: CESPE/Cebraspe.
Disciplina: Tecnologia a Informação (Conteúdo específico).
Professores: Gabriel Pacheco, Rogério Araujo, Vitor Kessler, Bruno Guilhen, Erion.
Parcerias: Neste curso nós teremos as seguintes parcerias garantidas para os alunos efetivamente matriculados e somente para os alunos efetivamente matriculados:
- 20% de desconto nas assinaturas dos Planos Avançado e Padrão do site www.tecconcursos.com.br (todo o procedimento de cadastro e registro será detalhado em vídeo específico, não precisa enviar e-mail ou mensagens no momento da sua matrícula para nossa central ou para o Tec Concursos, apenas seguir os passos que serão detalhados no respectivo vídeo).
Observações:
- Todas as aulas serão postadas até dia 10/09/2023 (verifique nos respectivos módulos).
- Diversas aulas serão disponibilizadas de forma gratuita para que o aluno conheça o curso e a didática do professor (observe as aulas que estiverem com a escrita "Assistir" dentro de cada módulo).
- Nossa abordagem didática constará da apresentação do respectivo conteúdo em formato de revisões completas de cada tópico do edital seguidas da resolução de mais de 300 questões super atualizadas da Banca CESPE/Cebraspe complementadas por questões didáticas e necessárias de outras bancas, quando o assunto não tiver cobertura específica da Banca, para que o aluno não fique sem estudar o respectivo tópico. Trabalharemos com a divulgação tempestiva de conteúdos adicionais no decorrer do período do curso, como venho fazendo em todos as minhas turmas.
- Verifique as aulas que já estão disponíveis e as datas máximas de divulgação das aulas restantes na frente do nome do respectivo módulo.
- Verifique abaixo a distribuição do nosso conteúdo e o que não será trabalhado neste curso.
CIÊNCIA DE DADOS:
1 Aprendizado supervisionado: Regressão e Classificação. Métricas de avaliação. Overfitting e underfitting de modelos. Regularização. Seleção de modelos. Validação cruzada. Conjunto de treino, validação e teste. Trade off entre variância e viés. Regressão Linear e Regressão Logística. Árvores de Decisão e random forests. SVM. K-NN. 2 Aprendizado não-supervisionado: Redução de dimensionalidade: PCA. K-Means. Mistura de Gaussianas. Regras de Associação. 3 Redes neurais artificiais: Definições e arquitetura. Funções de ativação. Otimização: método do gradiente, método do gradiente estocástico e backpropagation. Métodos de regularização: penalização com normas L1 e L2. CNN. 4 Machine Learning aplicado. Noções de visão computacional com CNN. Classificação de imagens e detecção de objetos. Noções de processamento de linguagem natural. 7 Inteligência artificial. 7.1 Análise de dados (Pandas, NumPy, Jupiter, R). 7.2 Aprendizado de máquina. 7.2.1 Técnicas de classificação. 7.2.2 Técnicas de regressão. 7.2.3 Técnicas de agrupamento. 7.2.4 Técnicas de redução de dimensionalidade. 7.2.5 Técnicas de associação. 7.2.6 Sistemas de recomendação. 8 Processamento de linguagem natural (PLN). 9 Visão computacional. 10 Deep learning. 11 Mineração de Dados. 12 Ferramenta SAS.
LINGUAGENS DE PROGRAMAÇÃO E SOFTWARES EM CIÊNCIAS DE DADOS:
1 Python e suas bibliotecas: Numpy, Matplotlib, Seaborn, Streamlit, Pandas, Scipy, TensorFlow, Keras e Pytorch. 2 R e suas bibliotecas. 3 Apache Hadoop e Apache Spark.
BANCO DE DADOS:
5 Metadados. 10 SGBD. 11 Propriedades de banco de dados. 1 Modelagem de dados (conceitual, lógica e física). 2 Abordagem relacional. 3 Normalização das estruturas de dados. 4 Integridade referencial. 6 Modelagem dimensional. 5 ETL. 6 Manipulação, tratamento e visualização de dados. 14 Data lakes e soluções para big data. 7 Linguagem de consulta estruturada (SQL). 8 Linguagem de definição de dados (DDL). 9 Linguagem de manipulação de dados (DML). 12 Banco de dados NoSQL.
---------------------------------------------------
Não iremos trabalhar neste curso.
MATEMÁTICA E ESTATÍSTICA APLICADA: (este não é um conteúdo de Tecnologia da Informação).
I MATEMÁTICA: 1 Cálculo: Funções. Limites. Derivadas. Derivadas Parciais. Máximos e mínimos. Integrais. 2 Álgebra linear: Notação de vetores e matrizes. Produto escalar e produto vetorial. Matriz identidade, inversa e transposta. Transformações lineares. Normas L1 e L2. Autovalores e autovetores.
II ESTATÍSTICA: 1 Conceitos de probabilidade. Modelo de probabilidade. Probabilidade condicional. Independência. Variáveis aleatórias. Esperança, variância e covariância. Distribuições contínuas e discretas. Distribuições multidimensionais: matriz de covariância. 2 Estatísticas descritivas. Teorema do Limite Central. Teste de hipótese e intervalo de confiança. Estimador de máxima verossimilhança. Inferência bayesiana. Coeficiente de correlação de Pearson. Diagrama boxplot e avaliação de outliers.
13 Banco de dados em memória.
Público alvo
Alunos que estão estudando para o Cargo de Inteligência da Informação da DATAPREV e que realmente desejam ser aprovados.
1 ano
Sem tempo para fazer o curso agora?
Fique tranquilo, você poderá participar desse curso em até 1 ano após a matrícula.
Conteúdo
1CIÊNCIA DE DADOS - todas as aulas disponíveis.
1 Aprendizado supervisionado: Regressão e Classificação. Métricas de avaliação. Overfitting e underfitting de modelos. Regularização. Seleção de modelos. Validação cruzada. Conjunto de treino, validação e teste. Trade off entre variância e viés. Regressão Linear e Regressão Logística. Árvores de Decisão e random forests. SVM. K-NN. 2 Aprendizado não-supervisionado: Redução de dimensionalidade: PCA. K-Means. Mistura de Gaussianas. Regras de Associação. 3 Redes neurais artificiais: Definições e arquitetura. Funções de ativação. Otimização: método do gradiente, método do gradiente estocástico e backpropagation. Métodos de regularização: penalização com normas L1 e L2. CNN. 4 Machine Learning aplicado. Noções de visão computacional com CNN. Classificação de imagens e detecção de objetos. Noções de processamento de linguagem natural. 7 Inteligência artificial. 7.1 Análise de dados (Pandas, NumPy, Jupiter, R). 7.2 Aprendizado de máquina. 7.2.1 Técnicas de classificação. 7.2.2 Técnicas de regressão. 7.2.3 Técnicas de agrupamento. 7.2.4 Técnicas de redução de dimensionalidade. 7.2.5 Técnicas de associação. 7.2.6 Sistemas de recomendação. 8 Processamento de linguagem natural (PLN). 9 Visão computacional. 10 Deep learning. 11 Mineração de Dados. 12 Ferramenta SAS.
-
Aula 00 - Introdução à Inteligência Artificial.
36:43
-
Aula 01 - Introdução a Machine Learning
26:36
-
Aula 02 - Introdução a Machine Learning - 02
09:10
-
Aula 03 - Machine Learning - Over e Underfitting
26:21
-
Aula 04 - Machine Learning - Tipos de Aprendizado
14:42
-
Aula 05 - Machine Learning - Métricas de Classificação
24:08
-
Aula 06 - Machine Learning - Classificação, Árvores de Decisão e Random Forest
36:16
-
Aula 07 - Machine Learning - KNN e Naive Bayes
29:00
-
Aula 08 - Machine Learning - Redes Neurais Artificais
26:40
-
Aula 09 - Machine Learning - Regressão Logística e SVM
23:52
-
Aula 10 - Machine Learning - Regressão
11:40
-
Aula 11 - Machine Learning - Agrupamento
29:37
-
Aula 12 - Machine Learning - Regras de Associação e Redução de Dimensionalidade
17:21
-
Aula 01 - Deep Learning Parte 01
19:08
-
Aula 02 - Deep Learning Parte 02
27:28
-
Aula 03 - PLN Parte 01
21:34
-
Aula 04 - PLN Parte 02
23:21
-
Aula 05 - Visão Computacional e Mineração de Textos
18:43
2LINGUAGENS DE PROGRAMAÇÃO E SOFTWARES EM CIÊNCIAS DE DADOS - todas as aulas disponíveis.
1 Python e suas bibliotecas: Numpy, Matplotlib, Seaborn, Streamlit, Pandas, Scipy, TensorFlow, Keras e Pytorch. 2 R e suas bibliotecas. 3 Apache Hadoop e Apache Spark.
-
Python - CESPE - 01
27:32
-
Python - CESPE - 02
34:56
-
Python - CESPE - 03
35:52
-
Python - CESPE - 04
33:58
-
Python - CESPE - 05
32:59
-
Python - CESPE - 06
30:49
-
Python NumPy - Multibancas - 01
36:24
-
Python NumPy - Multibancas - 02
42:40
-
Programação - R - Introdução Conceituação e Sintaxe - 1
24:50
-
Programação - R - Variáveis e Tipos de Dados - 2
23:49
-
Programação - R - Tipos Numéricos Caracter Lógico - 3
35:19
-
Programação - R - Objetos - 1
24:13
-
Programação - R - Objetos - 2
23:32
-
Programação - R - Operadores
30:41
-
Programação - R - Estruturas Controle
24:44
3BANCO DE DADOS - 30/08/2023.
5 Metadados. 10 SGBD. 11 Propriedades de banco de dados. 1 Modelagem de dados (conceitual, lógica e física). 2 Abordagem relacional. 3 Normalização das estruturas de dados. 4 Integridade referencial. 6 Modelagem dimensional. 5 ETL. 6 Manipulação, tratamento e visualização de dados. 14 Data lakes e soluções para big data. 7 Linguagem de consulta estruturada (SQL). 8 Linguagem de definição de dados (DDL). 9 Linguagem de manipulação de dados (DML). 12 Banco de dados NoSQL.
-
Conceitos, BD e SGBD - 01 - CESPE - C-E
29:54
-
Conceitos, BD e SGBD - 02 - CESPE - C-E
36:20
-
Conceitos, BD e SGBD - 03 - CESPE - C-E
36:32
-
Abordagem e Modelagem Relacional - 01 - Cespe - C-E
34:17
-
Abordagem e Modelagem Relacional - 02 - Cespe - C-E
32:34
-
Abordagem e Modelagem Relacional - 03 - Cespe - C-E
34:48
-
Abordagem e Modelagem Relacional - 04 - Cespe - C-E
26:16
-
Abordagem e Modelagem Relacional - 05 - Cespe - C-E
27:46
-
Abordagem e Modelagem Relacional - 06 - Cespe - C-E
30:43
-
Análise de Informações e BD - SQL - 1
36:30
-
Análise de Informações e BD - SQL - 2
36:03
-
Análise de Informações e BD - SQL - 3
32:12
-
Big Data Conceitos - 01
25:54
-
Big Data Conceitos - 02
31:20
-
Big Data Conceitos - 03
47:20
-
Big Data em Relação às demais Disciplinas - 01
25:17
-
Big Data em Relação às demais Disciplinas - 02
22:31
-
Papéis dos envolvidos em projetos de Ciência de Dados e Big Data - 01
28:06
-
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 01
31:47
-
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 02
30:57
-
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 03
42:22
-
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 04
26:24
-
Modelagem Dimensional, BI, DW, ETL e OLAP - 01 - Cespe - C-E - 2.0
32:57
-
Modelagem Dimensional, BI, DW, ETL e OLAP - 02 - Cespe - C-E - 2.0
38:28
-
Modelagem Dimensional, BI, DW, ETL e OLAP - 03 - Cespe - C-E
34:48
-
Modelagem Dimensional, BI, DW, ETL e OLAP - 04 - Cespe - C-E
38:17
