★★★★★ Avaliação: 4.9/5 (Baseado em 105 avaliações de alunos)

Informativo: Essa página é monitorada e atualizada diariamente conforme publicações, retificações e comunicados oficiais do concurso.
Última atualização editorial: 03/07/2026.

📖 LÍNGUA PORTUGUESA

• Compreensão e interpretação de textos de gêneros variados.
• Reconhecimento de tipos e gêneros textuais.
• Domínio da ortografia oficial.
• Domínio dos mechanisms de coesão textual.
• 4.1 Emprego de elementos de referenciação, substituição e repetição, de conectores e de outros elementos de sequenciação textual.
• 4.2 Emprego de tempos e modos verbais.
• Domínio da estrutura morfossintática do período.
• 5.1 Emprego das classes de palavras.
• 5.2 Relações de coordenação entre orações e entre termos da oração.
• 5.3 Relações de subordinação entre orações e entre termos da oração.
• 5.4 Emprego dos sinais de pontuação.
• 5.5 Concordância verbal e nominal.
• 5.6 Regência verbal e nominal.
• 5.7 Emprego do sinal indicativo de crase.
• 5.8 Colocação dos pronomes átonos.
• Reescrita de frases e parágrafos do texto.
• 6.1 Significação das palavras.
• 6.2 Substituição de palavras ou de trechos de texto.
• 6.3 Reorganização da estrutura de orações e de períodos do texto.
• 6.4 Reescrita de textos de diferentes gêneros e níveis de formalidade.

🌍 LÍNGUA INGLESA

• Compreensão de textos em língua inglesa e itens gramaticais relevantes para o entendimento dos sentidos dos textos.

🧠 RACIOCÍNIO LÓGICO

• Estruturas lógicas.
• Lógica de argumentação: analogias, inferências, deduções e conclusões.
• Lógica sentencial (ou proposicional).
• 3.1 Proposições simples e compostas.
• 3.2 Tabelas-verdade.
• 3.3 Equivalências.
• 3.4 Diagramas lógicos.
• Lógica de primeira ordem.
• Raciocínio lógico envolvendo problemas aritméticos, geométricos e matriciais.

🤖 ATUALIDADES E INTELIGÊNCIA ARTIFICIAL

• Tópicos relevantes e atuais de diversas áreas, tais como segurança, transportes, política, economia, sociedade, educação, saúde, cultura, tecnologia, energia, relações internacionais, desenvolvimento sustentável e ecologia.
• Inteligência Artificial: fundamentos e aplicações: conceitos de inteligência artificial; aprendizado da máquina; introdução aos modelos generativos e modelos de linguagem; ética, governança e privacidade em IA.

🔒 LEGISLAÇÃO ACERCA DE SEGURANÇA DA INFORMAÇÃO E PROTEÇÃO DE DADOS

• Lei nº 12.527/2011 (Lei de Acesso à Informação): capítulos I, II, III, IV e V; Dec. nº 7.724 e nº 7.845.
• Lei nº 12.737/2012 (Lei de Delitos Informáticos): art. 2º.
• Lei nº 12.965/2014 (Marco Civil da Internet): capítulos II, Seção I, e III, Seções I e II.
• Lei nº 13.709/2018 (Lei Geral de Proteção de Dados Pessoais – LGPD): capítulos I, II, III, IV, VII, VIII e IX.

• MATEMÁTICA E ESTATÍSTICA APLICADA:
• 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.
• 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. 5 ETL. 6 Manipulação, tratamento e visualização de dados. 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:
• 1 Modelagem de dados (conceitual, lógica e física). 2 Abordagem relacional. 3 Normalização das estruturas de dados.
• 4 Integridade referencial. 5 Metadados. 6 Modelagem dimensional. 7 Linguagem de consulta estruturada (SQL).
• 8 Linguagem de definição de dados (DDL). 9 Linguagem de manipulação de dados (DML). 10 SGBD.
• 11 Propriedades de banco de dados. 12 Banco de dados NoSQL. 13 Banco de dados em memória.
• 14 Data lakes e soluções para big data.