Apostila Digital Transpetro Ciência de Dados 2026

____________________________________________________________________________________

Temos a Apostila Mais Completa do Mercado:

Este produto possui TODA a Teoria das Matérias que foram pedidas no Edital + Mapas Mentais das Matérias do Edital  + Provas Gabaritadas com foco principal na matéria específica + Análise Estratégica da Banca + Conteúdos Bônus de Apoio aos seus Estudos

Sinopse:

O seu sonho da aprovação em cargo público e estabilidade na carreira nunca esteve tão perto, graças as apostilas da Provimento Efetivo Concursos.

Apostila Digital inteligente e direcionada para os assuntos e temas mais importantes cobrados pela banca. Somos especialistas em bancas organizadoras.

Aqui você ganha tempo focando estrategicamente no conteúdo que é relevante e mais cobrado com recorrência pela banca. A inteligência e eficiência a serviço da sua aprovação.

Apostila Digital, com teoria de TODAS AS MATÉRIAS pedidas no edital, inclusive a matéria específica.

Acompanha grátis MAPAS MENTAIS das matérias mais importantes do edital, possibilitando você estudar em tempo recorde, e ainda revisar todo o conteúdo na semana que antecede a prova.

Neste material você também terá a sua disposição coletânea de provas gabaritadas da banca para treinar e fazer simulados. (Obs: caso a banca não tenha provas anteriores para o cargo, enviaremos provas de outras bancas).

Acompanha ainda um conteúdo bônus para turbinar seus estudos, com dicas de estudo, análise da banca organizadora, sugestão para criação de uma grade personalizada de estudo, dicas e atitudes dos aprovados, edital e muito mais.

Informaçõe Importantes:

Páginas:2.400

Amostra (Para abrir copie e cole o link abaixo em qualquer navegador)

https://drive.google.com/file/d/1ntLvEpyHhjGyBPOddQK91LNFjhnpH8mF/view?usp=sharing 

Modelo: Apostila Digital. Arquivos no formato PDF.

Forma de Envio: Por E-mail. Você receberá um e-mail de TRANSFER NOW ou de WE TRANSFER com um link para baixar.

Prazo de Envio: em 24 horas após confirmação do pagamento.

Organização do Material: Arquivos separados em pastas de acordo com as matérias pedidas no edital, facilitando o estudo e a impressão.

Requisitos para fazer o Download e estudo com sucesso:

· Ter instalado algum programa descompactador de arquivos (Ex: WinRaR, WinZip) no dispositivo (computador, tablet ou celular) onde for baixar o material.

· Ter memória disponível no dispositivo onde for feito o download.

· Ter instalado algum programa que seja capaz de ler arquivos no formado de PdF.

APOSTILA DIGITAL NÃO TRABALHAMOS COM APOSTILA IMPRESSA!

Arquivos liberados para impressão a critério e custo do cliente

Informações do Concurso:

Vagas:281

Salários: R$15.034,81

Inscrições: até 14/09/2026

Banca:Fundação Cesgranrio

Prova:prevista para o dia 29/11/2026.

Apostila Digital Transpetro Ciência de Dados 2026

__________________________________________________________________________________________

Esta apostila vem com os principais conteúdos de cada matéria exigida pela banca. São os conteúdos mais recorrentes cobrados pela banca organizadora:

OBS: Apostila elaborada de acordo com o conteúdo programático informado no edital de abertura, mas não seguem a bibliografia sugerida (caso o edital sugira alguma)

LÍNGUA PORTUGUESA:

1. Compreensão de textos. 2. Ortografia oficial. 3. Mecanismos de coesão textual. 4. Significação das palavras. 5. Emprego de tempos e modos verbais. 6. Emprego das classes de palavras. 7. Coordenação e de subordinação. 8. Emprego dos sinais de pontuação. 9. Concordância verbal e nominal. 10. Regência verbal e nominal. 11. Emprego do sinal indicativo de crase. 12. Colocação dos pronomes átonos.

LÍNGUA INGLESA:

1. Compreensão de texto escrito em língua inglesa. 2. Itens gramaticais relevantes para a compreensão dos conteúdos semânticos.

CONHECIMENTOS ESPECÍFICOS:

I- MATEMÁTICA: 1. Cálculo Básico: funções; limites; derivadas; derivadas parciais; máximos e mínimos; integrais. 2. Álgebra Linear: vetores e matrizes; operações com vetores e matrizes; tipos de matrizes; transformações lineares; espaços e subespaços vetoriais de Rn ; sistemas de equações lineares; normas (L1, L2, infinita, p-generalizada, Minkowksi e Chebyshev), autovalores e autovetores; decomposição matricial (Cholesky e Singular Value Decomposition (SVD)). II- PROBABILIDADE E ESTATÍSTICA: 1. Fundamentos de probabilidade: definições básicas de probabilidade; axiomas; probabilidade condicional. 2. Variáveis aleatórias e distribuições de probabilidades: variáveis aleatórias; funções de probabilidade; principais distribuições discretas e contínuas (Uniforme, Binomial, Normal, Poisson, Bernoulli e Exponencial). 3. Estatísticas Descritivas: medidas de tendência central (média, mediana e moda); medidas de dispersão (variância, desvio padrão e amplitude); medidas de posição (percentis e quartis). 4. Teoremas fundamentais da probabilidade: independência de eventos; teorema de Bayes; teorema da probabilidade total; lei dos grandes números; teorema central do limite. 5. Distribuições amostrais: distribuição amostral da média; distribuição amostral da proporção; distribuição qui-quadrado; distribuição t de Student; distribuição F. 6. Inferência estatística: estimação pontual e intervalar; intervalos de confiança; testes de hipóteses (formulação, tipos de erros, e poder do teste); testes z e t para médias; testes de proporções; testes qui-quadrado para independência e ajuste de Goodness-of-Fit; teste A/B. 7. Correlação: correlação e causalidade; correlação de Pearson; correlação de Spearman; correlação parcial. III- DADOS E BASES DE DADOS: 1. 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). 2. Introdução a Bases de Dados: o que são bases de dados; metadados. 3. 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. 4. Sistemas Gerenciadores de Base de Dados (SGBDs): definição de SGBD; principais funções; principais tipos de SGBDs (SQL e NoSQL) e suas diferenças; transações e índices; controle de acesso; regras de integridade. 5. Modelo de dados: modelo de entidade-relacionamento (ER); modelo relacional: tabelas, esquemas, chaves (primária e estrangeira), consultas; dados estruturados, semiestruturados e não estruturados; modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos. 6. Big Data: conceito de big data; conceitos gerais sobre técnicas e ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, Parquet, HDFS e MapReduce). IV- GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS: 1. Ciclo de vida de projetos de ciência de dados. 2. Metodologias de gestão de projetos de ciência de dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN; princípios de métodos ágeis (Scrum/Kanban). V- QUALIDADE E PREPARAÇÃO DE DADOS: 1. Metadados: a sua importância para avaliação da qualidade de dados; linhagem de dados; 2. Coleta de dados: fontes comuns de dados (internas e externas); técnicas de web scraping. 3. Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. 4. Preparação de dados: técnicas de tratamento e limpeza de dados; técnicas detecção de vieses; data profiling. 5. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis categóricas (encoding). 6. Feature engineering: processos para enriquecimento de dados, com criação e seleção de features relevantes; transformações matemáticas e estatísticas comuns em variáveis. 7. Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation. VI- MODELAGEM: 1. Pipeline de treinamento de modelos e suas etapas. 2. Otimização de hiperparâmetros: grid search; random search; algoritmos de otimização avançados; automl; autotuning; autofeature engineering. 3. 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; trade-off entre viés e variância; detecção de overfitting e underfitting. 4. Técnicas de regularização: lasso; ridge; elastic net; dropout; early stopping; batch normalization. 5. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos. 6. Validação de Modelos: Kfold cross-validation; leave-one-out cross-validation; bootstrap. 7. Modelagem de IA centrada em dados (data-centric). VIICLASSES DE MODELOS: 1. Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. 2. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. 3. Técnicas de classificação: Regressão logística; K-Nearest Neighbors (KNN); Suport Vector Machines (SVM); Decision Trees (CART); classificadores Naive-Bayes (Binomial-Beta, Poisson-Gama, Normal-Normal); Florestas Aleatórias (Random Forest). 4. Introdução à regressão: regressão linear simples e múltipla; hipóteses clássicas, método dos mínimos quadrados, diagnóstico e avaliação de modelos de regressão (F-test, coeficiente de determinação, análise de resíduos e demais), testes de significância, intervalos de confiança, análise ANOVA, modelos não lineares (log-log, lin-log, log-lin e inverso). 5. Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. 6. Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). 7. Modelos de séries temporais: definição; componentes (tendência, sazonalidade, ciclos e ruído); autocorrelação e autocorrelação parcial; conceito e testes de estacionaridade; cointegração; modelos AR, ARMA e ARIMA; modelos de suavização exponencial; modelos de decomposição; modelos de regressão com variáveis temporais (ARIMAX). 8. Tópicos em regressão: modelos de dados em painel; GLM; regressão espacial; regressão quantílica; regressão de Poisson; modelos VAR; ECM e GARCH. 9. Introdução a modelos causais: fundamentos de causalidade estatística, experimentos e quase-experimentos, desenho de descontinuidade de regressão, modelos de variáveis instrumentais, diferenças em diferenças, métodos de pareamento. 10. 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 learning); Redes Neurais Convolucionais (CNNs) e Recorrentes (RNNs); LSTM; GRU; GAN; modelos multimodais. VIII- PROCESSAMENTO DE LINGUAGEM NATURAL (NLP): 1. Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. 2. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e demais) e document embeddings (Doc2Vec, BERT, ELMo e demais). 3. Modelagem de tópicos: latent dirichlet allocation (LDA); non-negative matrix factorization (NMF). 4. Modelos de linguagem: modelos de linguagem tradicionais; redes neurais recorrentes; redes neurais convolucionais; transformers. 5. Tarefas básicas em NLP: classificação de texto; análise de sentimento; extração de informação (NER; REL); similaridade textual; sumarização de texto; rotulação de partes do discurso (POS-tagging) e tradução automática. IX- PROGRAMAÇÃO E FERRAMENTAS: 1. Linguagem de programação Python: sintaxe básica; operadores; variáveis; estruturas de dados (dataframes, listas, matrizes, dicionários e conjuntos); estruturas de controle de fluxo; funções; escopo; método; paralelização de rotinas; serialização e desserialização. 2. 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 (aprendizado de máquina); NLTK e spaCy (processamento de linguagem natural); huggingface (LLM); PySpark (Big data); Beautiful Soup (web scraping); Streamlit (data apps). 3. Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados) e para análise de dados (como funções de agregação, filtros, joins, subconsultas e demais). 4. 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. X- VISUALIZAÇÃO; STORYTELLING E COMUNICAÇÃO CORPORATIVA: 1. Principais tipos de visualizações e gráficos: tabela; gráfico de barras; linhas; pizza; dispersão; histograma; área; boxplot; bolhas; radar; mapas cartográficos; mapa de calor. 2. Visualização de dados: princípios de design de gráficos efetivos; principais conceitos de codificação visual; interatividade; acessibilidade em gráficos. 3. Dashboards: técnicas para construção de interfaces e layout; abordagens para escolha de designs; organização de elementos visuais e gráficos; seleção de gráficos e visualizações; interatividades e drill-downs; acessibilidade. 4. Storytelling com dados: construção de narrativas visuais e contextualizações; componentes de um storytelling efetivo. XI- GOVERNANÇA E SEGURANÇA DE DADOS: 1. 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. XII- GOVERNANÇA SEGURANÇA E APLICAÇÃO RESPONSÁVEL DE IA: 1. Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA. 2. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques adversariais; ataques de manipulação de modelos; roubo de modelos; ataque de inferência; alucinações. 3. Aplicação de IA responsável: definição; ética; transparência; justiça e equidade; responsabilização; segurança cibernética; compliance regulatório.

Cristiane Pereira-Apostila Pref. Ribeirão das Neves 2024 - Técnico de Enfermagem

Janeiro - 2025.

"Oi bom dia, fiquei muito satisfeita com o material de vcs. Muito top, completo, valeu d+ ter comprado com vcs"

Victor Hugo - Apostila ANP 2012 - Especialista em Geologia e Geofísica do Petróleo - Área 01

Maio de 2024

"Bom dia, consegui baixar o material ontem e numa primeira olhada está bem completo. Obrigado"

Ivan Oliveira - Apostila TJ RR - Técnico Judiciário.

Maio 2023

“Vim aqui para dizer que vocês me surpreenderam com o material de vocês, e ainda mais as dicas que vieram junto com o material, os cronogramas etc. Tudo muito top, estão de parabéns, vou indicar para todas as pessoas que eu conheço”

Clóvis Santos - Apostila Águas de Joinville – Fiscal de Serviços

Julho 2023

“Muito obrigado, fico agradecido pela atenção de vcs, vou indicar para os meus amigos. É a primeira compra minha com vcs ,e pode ter certeza que não será a última grato...”

Apostila Digital Transpetro Ciência de Dados 2026

_______________________________________________________________________________

Temos a Apostila Mais Completa do Mercado:

Este produto possui TODA a Teoria das Matérias que foram pedidas no Edital + Mapas Mentais das Matérias do Edital  + Provas Gabaritadas com foco principal na matéria específica + Análise Estratégica da Banca + Conteúdos Bônus de Apoio aos seus Estudos

Provimento Efetivo Concursos aprova candidados desde 2010.

Faça como milhares de concurseiros que já passaram estudando com o nosso material.

Peça Já a Sua!