Petrobras Transporte S.A - Transpetro - Profissional Transpetro de Nível Superior - Ênfase 8: Ciência de Dados (Pós-Edital)

Prepare-se com quem mais aprova nas Carreiras de Tecnologia da Informação.

Se o seu objetivo é conquistar uma das carreiras mais valorizadas, estáveis e disputadas da área de Tecnologia da Informação, este curso foi desenvolvido exatamente para você.

O Gran Concursos, referência nacional em preparação para concursos públicos, reuniu um time de professores consagrados, experientes e atuantes nas Carreiras de Tecnologia da Informação para oferecer uma preparação atualizada e totalmente focada em aprovação para o cargo de Análise de Sistemas - Ciência de Dados da Petrobras Transporte S.A.

O maior diferencial do Gran Concursos está no seu corpo docente altamente qualificado.
Você aprenderá com professores que, além de serem especialistas, mestres e doutores, ocupam ou já ocuparam cargos estratégicos nas Carreiras de Tecnologia da Informação, trazendo para o curso uma visão prática e alinhada à realidade das provas.

Isso significa: 
 Visão de prova 
 Foco absoluto no que realmente cai
 Conteúdo técnico no nível de exigência da banca
Aqui, você estuda com quem já percorreu o caminho da aprovação e sabe exatamente como conduzir você até a sua vaga.

Informações importantes
1. Curso baseado no Edital nº 4 TRANSPETRO/PSP/TERRA/NÍVEL SUPERIOR/2026.4.
2. Serão abordados os tópicos mais relevantes de cada disciplina, conforme critério pedagógico dos professores (não necessariamente todos os itens do edital).
3. As videoaulas ainda não disponibilizadas serão incluídas gradualmente, conforme o cronograma de gravações, divulgado periodicamente.
4. A coordenação pedagógica e o corpo docente atuam com total dedicação para garantir uma preparação completa, eficiente e direcionada.
5. Não serão ministrados os seguintes tópicos do Edital: Matemática: 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)).  Gestão de Projetos de Ciência de Dados: Microsoft Team Data Science Process (TDSP), OSEMN. Programação e Ferramentas: 2. Bibliotecas Python: 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). 
6. A organização das aulas pode seguir a lógica didática do professor, e não necessariamente a ordem do edital.

O corpo docente poderá sofrer acréscimos ou substituições por motivos de força maior, a critério do Gran Concursos.

Aulas em PDF

O curso conta com PDFs autossuficientes, ideais para quem busca objetividade e alto rendimento:

1. Conteúdo produzido por mestres especializados, com leitura como recurso didático completo e linguagem clara.
2. Material prático que acelera a aprendizagem e facilita revisões.
3. Exercícios comentados, focados no padrão da banca.
4. Não serão ministrados os seguintes tópicos do Edital em PDF: Gestão de Projetos de Ciência de Dados: Qualidade e Preparação de Dados: 7. Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation. 2. Microsoft Team Data Science Process (TDSP), OSEMN.
   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. 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).
   Visualização, Storytelling e Comunicação Corporativa: 4. Storytelling com dados: construção de narrativas visuais e contextualizações; componentes de um storytelling efetivo.
   Governança e Degurança de dados: (DMBOK).
   Classes e modelos: Regressão: regressão linear simples; regressão linear múltipla; hipóteses clássicas; método dos mínimos quadrados; diagnóstico e avaliação de modelos de regressão; F-test; coeficiente de determinação; análise de resíduos; testes de significância; intervalos de confiança; análise ANOVA; modelos não lineares (log-log, lin-log, log-lin e inverso). Séries temporais: definição; tendência; sazonalidade; ciclos; ruído; autocorrelação; autocorrelação parcial; estacionaridade; testes de estacionaridade; cointegração; modelos AR; ARMA; ARIMA; suavização exponencial; modelos de decomposição; modelos de regressão com variáveis temporais; ARIMAX. Tópicos em regressão: modelos de dados em painel; GLM; regressão espacial; regressão quantílica; regressão de Poisson; modelos VAR; ECM; GARCH. Modelos causais: fundamentos de causalidade estatística; experimentos; quase-experimentos; desenho de descontinuidade de regressão; modelos de variáveis instrumentais; diferenças em diferenças; métodos de pareamento.
   Sistemas de recomendação: filtragem colaborativa baseada em usuários; filtragem colaborativa baseada em itens; filtragem baseada em conteúdo; sistemas híbridos; cold start; escalabilidade; data sparsity.
   Modelagem: Métricas de regressão (MSE, RMSE, MAE, R² e R² ajustado); regularização Lasso; regularização Ridge; Elastic Net; K-fold cross-validation; Leave-One-Out Cross-Validation; Bootstrap.
5. Serão ministrados, exclusivamente, os PDFs sintéticos disponibilizados no curso, desenvolvidos para otimizar o tempo e maximizar os resultados.