TJ RJ - Tribunal de Justiça do Estado do Rio de Janeiro - Conhecimentos Específicos para o Cargo: Analista Judiciário - Grupo: Tecnologia da Informação - Especialidade: Arquiteto de Dados (Pós-edital)

A fim de preparar os candidatos para o concurso público da TJ RJ - Tribunal de Justiça do Estado do Rio de Janeiro - Analista Judiciário, o Gran Concursos escalou a equipe de professores mais experiente e renomada em preparatórios. Além das tradicionais videoaulas, com a mais alta qualidade audiovisual do mercado, você também contará com materiais de apoio em PDF. Dessa forma, o alinhamento e o compromisso com o que há de mais técnico e fundamental para seus estudos estarão sempre à sua disposição no curso que oferecemos.
Mais detalhes:

1. Curso baseado no Edital nº 01/2025.
2. Serão abordados os tópicos mais relevantes de cada disciplina (não necessariamente todos), conforme critério dos respectivos professores.
3. Informamos que, para facilitar a compreensão e a absorção dos conteúdos previstos no edital, as videoaulas de determinadas disciplinas foram organizadas com base na lógica didática proposta pelo(a) docente responsável, e não de acordo com a ordem dos tópicos do conteúdo programático do certame.
4. Não serão ministrados os seguintes tópicos do Edital: 2.4 Modelagem de dados: escolha entre SQL e NoSQL,  vs. Data Lake (lago de dados) vs. Lakehouse (arquitetura lakehouse), normalização vs. desnormalização. 4.2 Escolha de tecnologia conforme caso de uso. 5 Integração e Fluxo de Dados. 5.1 Integração via APIs e eventos. 5.2 Arquiteturas orientadas a eventos. 5.3 Sincronização entre sistemas e consistência. 6.2 Governança federada e virtualização de dados. 7 Governança e Segurança. 7.1 Catálogo de dados e linhagem. 7.2 Controle de acesso e auditoria. 7.3 FinOps e gerenciamento de custos. 9 Qualidade e Gestão de Dados. 9.1 Observabilidade, métricas e incidentes de dados. 9.2 Gestão de dados mestres e produtos de dados.

O rol de professores poderá sofrer acréscimos ou supressões por motivo de força maior, ficando a cargo do Gran as devidas modificações.

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: Conhecimentos Específicos: Alta disponibilidade (agrupamento - clustering, balanceamento de carga, alternância automática - failover). Roteamento e comutação (switching), conceitos de latência e vazão (throughput). Windows Server.tr. compensações (trade-offs) entre IaaS/PaaS/SaaS, arquitetura nativa em nuvem (cloud-native) vs. híbrida, modelo de responsabilidade compartilhada. Ciclo de vida de projetos de tecnologia. Compensações viés-variância (bias-variance). 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. Processamento em lote vs. fluxo contínuo (streaming), compensações de consistência e disponibilidade, teorema CAP. 2.4. Viés algorítmico, transparência, explicabilidade, equidade (fairness), conformidade regulatória (compliance), privacidade diferencial. 3.2 Normalização e desnormalização. Data vault. 4.2 Escolha de tecnologia conforme caso de uso. 4.3 Estratégias de replicação e particionamento. 5 Integração e Fluxo de Dados. 5.1 Integração via APIs e eventos. 5.2 Arquiteturas orientadas a eventos. 5.3 Sincronização entre sistemas e consistência. 6 Arquiteturas Modernas. 6.1 Data Mesh e Data Fabric. Virtualização de dados. 7 Governança e Segurança. 7.1 Catálogo de dados e linhagem. 7.2 Controle de acesso e auditoria. 7.3 FinOps e gerenciamento de custos. 7.6 Conformidade com a LGPD e boas práticas de governança de dados pessoais. 8 Escalabilidade e Desempenho. 8.1 Escalonamento horizontal e vertical. 8.2 Estratégias de particionamento e caching. 9 Qualidade e Gestão de Dados. 9.1 Observabilidade, métricas e incidentes de dados. 9.2 Gestão de dados mestres e produtos de dados.
4. Não serão ministrados PDFs Sintéticos.