Conteúdo Programático

Conhecimentos Básicos

(Totalmente de Acordo com Edital 2024)
Língua Portuguesa: 1 Compreensão e interpretação de textos de gêneros variados. 2 Reconhecimento de tipos e gêneros textuais. 3 Domínio da ortografia oficial. 4 Domínio dos mecanismos 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. 5 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. 6 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.
Métodos Quantitativos: 1 Matemática Financeira. 1.1 Juros simples e compostos. 1.2 Montante e valor presente. 2 Análise de Investimentos. 2.1 Valor Presente Líquido (VPL). 2.2 Taxa Interna de Retorno (TIR). 2.3 Payback. 3 Amortização. 3.1 Sistemas de amortização. 3.2 Tabela Price. 3.3 SAC (Sistema de Amortização Constante). 4 Estatística. 4.1 Distribuições contínuas e discretas. 4.2 Análise de gráficos. 4.3 Medidas de dispersão (variância, desvio padrão) e medidas de tendência central (média, mediana, moda). 5 Probabilidade. 5.1 Conceitos básicos de probabilidade. 5.2 Eventos independentes e dependentes. 6 Raciocínio Lógico. 6.1 Argumentação. 6.2 Resolução de problemas. 6.3 Proposições. 6.4 Conectivos lógicos. 6.5 Tabelas verdade.
Análise de Dados: 1 Introdução à Ciência de Dados. 1.1 Definição. 1.2 Importância. 1.3 Aplicações. 2 Coleta e Limpeza de Dados. 2.1 Técnicas de coleta. 2.2 Limpeza. Preparação de dados. 3 Análise Exploratória de Dados (EDA). 3.1 Visualização de dados. 3.2 Identificação de padrões. 3.3 Insights. 4 Modelos Estatísticos Básicos. 4.1 Regressão linear. 4.2 Regressão logística. 4.3 Árvores de decisão. 5 Ferramentas de Data Science e utilização de bibliotecas e ferramentas.
Noções de Direito: 1 Direito Administrativo. 1.1 Conceito e fontes do direito administrativo. 1.2 Regime jurídico-administrativo. 1.2.1 Conceito. 1.2.2 Conteúdo: supremacia do interesse público sobre o privado e indisponibilidade, pela administração, dos interesses públicos. 2 Administração pública. 2.1 Princípios expressos e implícitos da administração pública. 2.2 Organização, descentralização, desconcentração, órgãos públicos. 2.3 Administração pública em sentido amplo e em sentido estrito. 2.4 Administração pública em sentido objetivo e em sentido subjetivo. 3 Administração indireta e entidades Paraestatais. 4 Estatuto das Estatais – Lei nº 13.303/2016 (Título 1 – Disposições Aplicáveis Às Empresas Públicas e às Sociedades De Economia Mista). 5 Noções de direitos humanos.
Língua Inglesa: 1 Conhecimentos básicos. 2 Compreensão e interpretação de textos de gêneros variados. 3 Vocabulário. 4 Aspectos gramaticais.

Conhecimentos Específicos

(Totalmente de Acordo com Edital 2024)
Ciclo de Desenvolvimento de Software: 1 Análise de Requisitos. 1.1 Técnicas de licitação. 1.2 documentação e validação de requisitos. 1.3 UX, Design Thinking, e ferramentas de prototipação e imersão para levantamento de requisitos e descobertas. 2 Modelagem de Sistemas. 2.1 UML, BPMN, e outras técnicas de modelagem. 3 Desenvolvimento de Software. 3.1 Programação orientada a objetos. 3.2 Programação funcional. 3.3 Desenvolvimento web e mobile. 4 Testes de Software. 4.1 Testes unitários, de integração, de sistema e de aceitação. 5 Manutenção de Software. 5.1 Gerenciamento de mudanças, correções de bugs, e melhorias contínuas. 6 Kanban. 7 SCRUM. 8 DevOps: conceitos, fases e princípios. 9 DevSecOps. 10 Padrões: GoF e GRASP. 11 Gite Azure Devops. ). 12 Python e Java.
Devops: 1 Integração Contínua/Entrega Contínua (CI/CD). 1.1 Ferramentas e práticas. 2 Automação de Infraestrutura. 2.1 Infraestrutura como Código (IaC). 2.2 Ferramentas como Ansible, Terraform. 3 Monitoramento e Logging. 3.1 Ferramentas e técnicas para monitoramento de sistemas. 4 Práticas de DevOps. 4.1 Cultura DevOps. 4.2 Colaboração entre equipes de desenvolvimento e operações. 5 Containers e Docker. 5.1 Gerenciamento e orquestração de containers. 6 Cloud e Azure DevOps. 6.1 Implementação de práticas DevOps em ambientes de nuvem, com foco em Azure DevOps. 7 Configuration Management Tools. 8 Containerization and Orchestration. 9 Infrastructure as Code (IaC). 10 Continuous integration and continuous delivery. 11 Monitoring and Logging Tool. SISTEMAS LEGADOS: 1 Manutenção de Sistemas Legados. 1.1 Técnicas e desafios. 2 Estratégias de Migração. 2.1 Planejamento e execução de migração para novos sistemas. 3 Integração de Sistemas. 3.1 Middleware, APIs, e outras técnicas de integração. 4 Modernização de Sistemas. 4.1 Estratégias para modernização e otimização de recursos, em especial sistemas Delphi.
Data Visualization, Banco de Dados de BI: 1 Visualização de Dados. 1.1 Ferramentas como Power BI, técnicas de visualização. 2 Business Intelligence (BI). 2.1 Criação de dashboards. 2.2 Relatórios. 2.3 OLAP. 3 Gerenciamento de Banco de Dados. 3.1 Administração de bancos de dados. 3.2 SQL. 3.3 Tuning de performance. 4 Modelagem de Dados. 4.1 Técnicas de modelagem. 4.2 Normalização e design de banco de dados. 5 Python (NumPy, Pandas, SciPy, Statsmodels), (Matplotlib, Seaborn, Plotly ). 6 Construção de dashboards (Power BI). 7 SGBDs SQL e NOSQL. 8 Modelagens de dados: relacional, multidimensional, nosql.
Data Science e Inteligência Artificial Avançada: 1 Machine Learning Avançado. 1.1 Algoritmos supervisionados, não supervisionados, e deep learning. 2 Redes Neurais. 2.1 Arquiteturas. 2.2 Treinamento. 2.3 Aplicações. 3 IA Generativa. 3.1 Modelos de linguagem como ChatGPT, GANs, VAEs, e outras técnicas de geração de dados. 4 Big Data. 4.1 Ferramentas e técnicas, Hadoop, Spark, e processamento de grandes volumes de dados. 5 Ferramentas de Data Science. 5.1 Utilização de bibliotecas e frameworks como TensorFlow, PyTorch, Scikit-Learn, e Keras. 6 Fundamentos em Inteligência Artificial (IA). 6.1 Conceitos básicos, principais tipos e modelos. 6.2 Principais aplicações em análise de dados. 7 Tipos de Aprendizado: Supervisionado, não supervisionado, semi-supervisionado, por reforço, por transferência. 8 Grandes Modelos de Linguagem (LLM), IA Generativa. 9 Redes Neurais. 10 CRISP-DM. 11 MLOps: Gestão de código, treinamento, implantação, monitoramento e versionamento de modelos, automação do ciclo de produção. 12 Governança e Ética na IA: Transparência, Responsabilidade, Explicabilidade, Privacidade, Segurança, Viés. 13 Python: NumPy, Pandas, SciPy, Statsmodels, Scikit-learn, XGBoost , PyTorch, TensorFlow, Keras, NLTK.
Metodologias Ágeis e Indicadores: 1 Metodologias Ágeis em projetos de TI: conceitos e fundamentos básicos. 1.1 Scrum. 1.2 Kanban. 1.3 XP. 2 Indicadores de Desempenho. 2.1 KPIs. Métricas de qualidade. 2.2 Métricas de produtividade. 3 Gestão de Projetos Ágeis. 3.1 Planejamento. 3.2 Execução e monitoramento de projetos ágeis. 4 Práticas de Melhoria Contínua. 4.1 Proposição de melhorias nos processos de desenvolvimento. 5 PMBOK 7ª edição.
Inovação em TI no Sistema Financeiro: 1 Novas Tecnologias. 1.1 Blockchain, IoT, fintechs, inteligência artificial, e machine learning aplicados ao setor financeiro. 2 Transformação Digital. 2.1 Estratégias e práticas para digitalização de serviços financeiros. 2.2 Open finance. 2.3 Integração de APIs. 3 Gestão da Inovação. 3.1 Métodos para fomentar a inovação dentro das instituições financeiras, incluindo laboratórios de inovação, hackathons, e parcerias com startups. 4 Tendências de Mercado. 4.1 Acompanhamento e identificação de novas tecnologias e oportunidades de negócio no setor financeiro, como criptomoedas, pagamentos digitais, e digital banking.