TJ RJ - Tribunal de Justiça do Estado do Rio de Janeiro - Analista Judiciário - Grupo: Tecnologia da Informação - Especialidade: Engenheiro de Dados (Módulo Especial) (Pós-Edital)

Treinamento Intensivo:
Se você já estuda há algum tempo, você já sabe de muita coisa!
Você já sabe que o processo de aprendizagem passa por vários momentos, entre os quais se destacam a aquisição, a fixação e a manutenção do saber. Você também já sabe que a manutenção deve ser contínua e, de preferência, em espiral ascendente de entendimento e consolidação do conhecimento. Talvez você não saiba, porém, como entrar neste ciclo virtuoso de aprendizagem e alto desempenho. Não sabia! O Gran criou uma turma essencial (e especial!) para quem já está na fase de revisão do conteúdo – o Treinamento Intensivo.
Proposta: Resolução de exercícios focados na banca. Treinar e acompanhar a resolução de provas/questões de maneira minuciosa para te levar a um melhor nível de compreensão sobre as exigências da banca organizadora do seu concurso, além de te ajudar a entender a estrutura das questões/disciplinas e o nível de detalhamento exigido. Assim, você poderá colocar em prática seus estudos e avaliar se a sua preparação está trazendo os resultados esperados.

Sprint Final: Na sua caminhada enquanto aluno(a), muito provavelmente já deve ter ao menos ouvido falar da famosa Regra de Pareto denominada “80/20”, uma ferramenta analítica bastante proveitosa, aplicável a diversas áreas da vida cotidiana e que visa à otimização de esforços e à boa utilização de recursos, tais como um dos mais preciosos nos dias atuais: O tempo! Em síntese, a regra estabelece que com apenas 20% do (bom) uso de um determinado recurso, é possível alcançar, pelo menos, 80% dos resultados esperados. Pois bem, importando essa premissa para o curso, a ideia aqui é comprovar que com o estudo eficiente de 20% dos assuntos previstos no seu Edital, por meio de aulas teóricas extremamente objetivas sobre esses assuntos, você poderá gabaritar acima de 80% de todas as questões da sua prova! É a oportunidade ideal para otimizar o seu tempo dedicado aos estudos e ainda garantir a conquista do resultado esperado!
Então, vamos unir nossas forças! Vamos estudar juntos?Observação: Serão gravadas apenas as aulas dos tópicos mais relevantes a critério dos professores.
1. Em Treinamento Intesivo e Sprint Final será ministrado apenas Conhecimentos Gerais.
DIFERENCIAIS EXCLUSIVOS:
 Sprint Final.
 Treinamento Intensivo (curso em exercícios).
 Reprises dos Eventos.
 Edital Verticalizado.

 

AULAS EM PDF AUTOSSUFICIENTES:

1. Conteúdo produzido por docentes especializados e com amplos recursos didáticos.
2. Material prático que facilita a aprendizagem de maneira acelerada.
3. Exercícios comentados.
4. Não serão ministrados em PDF: 1 Arquitetura de infraestrutura: virtualização (hipervisores tipo 1 e 2, contêineres vs. máquinas virtuais), armazenamento (DAS, NAS, SAN, armazenamento de objetos), alta disponibilidade (agrupamento - clustering, balanceamento de carga, alternância automática - failover). 1.1 Fundamentos de redes: modelo OSI e TCP/IP, roteamento e comutação (switching), VLANs, sub-redes, DNS, DHCP, conceitos de latência e vazão (throughput). 1.2 Sistemas operacionais: gerenciamento de processos e threads, memória virtual, sistemas de arquivos, entrada/saída, escalonamento (scheduling), Linux e Windows Server.tr 1.3 Princípios de segurança: confidencialidade, integridade, disponibilidade (tríade CIA), autenticação vs. autorização, princípio do menor privilégio, defesa em profundidade. 1.4 Computação em nuvem: modelos de serviço e tipos de nuvem, compensações (trade-offs) entre IaaS/PaaS/SaaS, arquitetura nativa em nuvem (cloud-native) vs. híbrida, modelo de responsabilidade compartilhada. 1.5 Metodologias de desenvolvimento: abordagens ágeis, ciclo de vida de projetos de tecnologia, DevOps. 1.6 Lei Geral de Proteção de Dados (LGPD - Lei nº 13.709/2018 e suas alterações). 2 Fundamentos de Aprendizado de Máquina (Machine Learning): aprendizado supervisionado e não supervisionado, compensações viés-variância (bias-variance), sobreajuste (overfitting) e subajuste (underfitting), técnicas de regularização. 2.1 Pipelines de Machine Learning: arquitetura ponta a ponta (end-to-end), engenharia de características (feature engineering), estratégias de implantação (deployment), monitoramento de modelos em produção, data drift e concept drift (deriva de dados e deriva de conceito 2.2 Avaliação de modelos: métricas para classificação e regressão, validação cruzada, interpretação de resultados, análise de erros. 2.3 Big Data: arquiteturas distribuídas, processamento em lote vs. fluxo contínuo (streaming), compensações de consistência e disponibilidade, teorema CAP. 2.4 Modelagem de dados: escolha entre SQL e NoSQL, Data Warehouse (armazém de dados) vs. Data Lake (lago de dados) vs. Lakehouse (arquitetura lakehouse), modelagem dimensional, normalização vs. desnormalização. 2.5 Ética e governança em dados: viés algorítmico, transparência, explicabilidade, equidade (fairness), conformidade regulatória (compliance), privacidade diferencial.
5. Serão somente disponibilizados os PDFs sintéticos já disponíveis no curso.