DOE 21/05/2021 - Diário Oficial do Estado do Ceará

                            163
DIÁRIO OFICIAL DO ESTADO  |  SÉRIE 3  |  ANO XIII Nº119  | FORTALEZA, 21 DE MAIO DE 2021
Sujeito passivo. 6.6 Solidariedade. 6.7 Capacidade tributária. 6.8 Domicílio tributário. 6.9 Responsabilidade tributária. 6.10 Responsabilidade dos suces-
sores. 6.11 Responsabilidade de terceiros. 6.12 Responsabilidade por infrações. 7 Crédito tributário. 7.1 Constituição de crédito tributário. 7.2 Lançamento. 
7.3 Modalidades de lançamento. 7.4 Suspensão do crédito tributário. 7.5 Extinção do crédito tributário. 7.6 Exclusão de crédito tributário. 7.7 Garantias e 
privilégios do crédito tributário. 7.8 Renúncia de receitas tributárias. 8 Administração tributária. 8.1 Fiscalização. 8.2 Dívida ativa. 8.3 Certidões negativas. 9 
Impostos da União. 10 Impostos dos estados e do Distrito Federal. 11 Impostos dos municípios. 12 Lei Complementar nº 123/2006 e suas alterações (Estatuto 
Nacional da Microempresa e da Empresa de Pequeno Porte). 13 Lei Complementar nº 116/2003 e suas alterações (dispõe sobre o ISSQN).
LEGISLAÇÃO TRIBUTÁRIA DO ESTADO DO CEARÁ – NÍVEL II: 1 Lei nº 12.670/1996 (Lei do ICMS). 2 Lei nº 12.023/1992 (Lei do IPVA). 3 Lei nº 
15.812/2015 (Lei do ITCD). 4 Lei nº 16.259/2017 (dispõe acerca da anistia de créditos tributários relacionados com o ICMS, com o IPVA e com o ITCD, 
bem como dos créditos não tributários do Departamento Estadual de Trânsito do Estado do Ceará – DETRAN). 5 Lei nº 15.614/2014 (Lei do Processo 
Administrativo Tributário). 6 Lei nº 13.568/2004 e Decreto nº 33.657/2020 (dispõem acerca do programa Sua Nota Tem Valor). 7 Lei Complementar nº 
37/2003 (institui o Fundo de Combate à Pobreza – FECOP).
CARGO 4: AUDITOR FISCAL DE TECNOLOGIA DA INFORMAÇÃO DA RECEITA ESTADUAL
ANÁLISE, DESENHO E AUTOMAÇÃO DE PROCESSOS: 1 BPM (business process management). 1.1 conceitos básicos. 1.2 identificação e delimitação 
de processos de negócio. 1.3 técnicas de mapeamento de processos (modelos as-is). 1.4 técnicas de análise e simulação de processos. 1.5 construção e mensu-
ração de indicadores de processos. 1.6 técnicas de modelagem de processos (modelos to-be). 1.7 modelagem de processos em BPMN: notação, artefatos e 
atividades. 1.8 gerenciamento de processos de negócio (BPM). 2 RPA (robotic process automation). 2.1 Conceitos, fundamentos, características, estratégias. 
2.2 Padronização de processos, formatação, validação e operação.
ARQUITETURA DE DESENVOLVIMENTO DE SOFTWARE: 1 Desenvolvimento de sistemas. 1.1 Desenvolvimento web. 1.1.1 JavaScript, HTML5, CSS3, 
WebSocket, Single Page Application (SPA). 1.2 Framework JavaScript AngularJS, DHTML, AJAX. 1.3 Jasper. 1.4 Noções e conceitos de desenvolvimento 
para dispositivos móveis. 1.5 Framework Apache CXF. 1.6 Programação PHP. 1.7 Framework Zend. 1.8 Programação Phyton. 1.9 Usabilidade e acessibili-
dade na Internet, padrões W3C e e-MAG. 2 Análise estática de código-fonte. 2.1 Clean code. 3 Padrões de projeto. 3.1 GoF. 3.1.1 Padrões de criação; 3.1.2 
Padrões estruturais. 3.1.3 Padrões comportamentais. 3.2 Padrões GRASP. 4 Ambientes Internet, extranet, intranet e portal: finalidades, características físicas 
e lógicas, aplicações e serviços. 5 Padrões XML, XSLT, UDDI, WSDL, SOAP, REST e JSON. 6 Engenharia de software. 6.1 Levantamento de requisitos 
funcionais e não funcionais. 6.2 Análise de sistemas. 6.3 Qualidade de software. 6.4 Unified Process (UP). 6.5 Unified Modeling Language (UML 2.x). 7 
Métrica de análise de ponto de função. 8 Testes de software. 8.1 Tipos de testes. 8.2 Teste unitário. 8.3 Teste de integração. 8.4 Teste de carga/estresse). 9 
Qualidade de código: SonarQube, Robot Framework e JMeter. 10 Tecnologias e práticas frontend web: HTML, CSS, UX, Ajax, frameworks (Bootstrap, 
angular, VueJS e React). 10.1 Padrões de frontend. 10.1.1 SPA e PWA. 11 Tecnologias backend. 11.1 Frameworks: Hibernate, .NET Core, Quarkus, Sprin-
gBoot, Flask, Django, NodeJS, Express e NestJS. 11.2 Especificações: JEE (JPA, EJB, JSF, JMS e JTA), JVM. 
BIG DATA & ANALYTICS: 1 Dado, informação, conhecimento e inteligência. 1.1 Dados estruturados e não estruturados. 1.2 Dados abertos. 1.3 Coleta, 
tratamento, armazenamento, integração e recuperação de dados. 2 Banco de dados relacionais. 2.1 Conceitos e características. 2.2 Metadados. 2.3 Tabelas, 
visões (views) e índices. 2.4 Chaves e relacionamentos. 3 Modelagem dimensional. 3.1 Conceito e aplicações. 4 Mineração de dados. 4.1 Modelo de referência 
CRISP‐DM. 4.2 Técnicas para pré‐processamento de dados. 4.3 Técnicas e tarefas de mineração de dados. 4.4 Classificação. 4.5 Regras de associação. 4.6 
Análise de agrupamentos (clusterização). 4.7 Detecção de anomalias. 4.8 Modelagem preditiva. 4.9 Aprendizado de máquina. 4.10 Mineração de texto. 5 
Big data. 5.1 Conceito, premissas e aplicação. 5.2 Tipos de dados: estruturados, semiestruturados e não estruturados. 5.3 Conceitos dos três Vs. 5.4 Fluxo de 
big data: ingestão, processamento e disponibilização. 5.5 Armazenamento de big data. 5.6 Pipeline de dados. 5.7 Processamento distribuído. 5.8 Conceitos 
de data lake. 5.9 ETL X ELT. 5.10 Soluções de big data. 5.10.1 Arquitetura do ecossistema Apache Hadoop. 5.10.2 Componentes Hadoop: HBase, Kudu, 
Sqoop, Nifi, Hive, Impala, Spark, Spark Streaming, SOLR, Oozie, Yarn, Kafka, Flink e AirFlow. 5.11 Arquiteturas de big data. 5.11.1 Arquitetura Lambda. 
5.11.2 Arquitetura Kappa. 5.11.3 Arquitetura de cloud computing para dados (AWS, Azure). 6 Visualização e análise exploratória de dados. 7 Planilhas e 
SQL. 8 Visualização de dados: BD individuais e cubos. 9 Técnicas de modelagem e otimização de bases de dados multidimensionais. 10 Mapeamento das 
fontes de dados: técnicas para coleta de dados.
BUSINESS INTELLIGENCE: 1 Conceitos, fundamentos, características, técnicas e métodos de business intelligence (BI). 2 Sistemas de suporte a decisão e 
gestão de conteúdo. 3 Arquitetura e aplicações de data warehouse com ETL e OLAP. 4 Definições e conceitos de data warehouse e data mining. 5 Visualização 
de dados: BD individuais e cubos. 6 Técnicas de modelagem e otimização de bases de dados multidimensionais. 7 Mapeamento das fontes de dados: técnicas 
para coleta de dados. 8 Ecossistema de big data Apache Hadoop. Arquitetura e análise de requisitos para sistemas analíticos. 9 Álgebra relacional e SQL 
(padrão ANSI). 10 Banco de dados NoSQL. 11 Visualização e análise exploratória de dados 11.1 Ferramentas de criação de dashboards (Qlik, MicroStrategy 
Dossiê, Tableau e Pentaho). 11.2 Storytelling. 11.3 Elaboração de painéis e dashboard. 11.4 Elaboração de relatórios analíticos.
DevOps: 1 Gestão de configuração. 1.1 DevOps. 1.2 modelo de versionamento, merge, branch, pipeline. 1.3 CI/CD (continuous integration/continuous 
delivery). 1.4 Mesh app and service architecture (MASA). 2 Containers: 2.1 Conceitos básicos sobre Docker e Kubernetes. 2.2 Arquitetura da plataforma 
Docker. 2.3 Instalação e configuração do Docker. 2.3.1 Criação e manipulação de imagens Docker. 2.3.2 Registry Docker. 2.4 Gerência de containers com 
Docker. 2.5 Rede no Docker. 2.6 Volumes no Docker. 2.7 Segurança no Docker. 2.8 Conceitos básicos sobre containers.
DESENVOLVIMENTO E GESTÃO ÁGIL DE PROJETOS/DEMANDAS: 1 Gerenciamento de projetos – PMBOK 6ª edição. 1.1 Projetos e a organização. 
1.2 Escritório de projetos. 1.2.1 Modelos e características. 1.3 Processos, grupos de processos e área de conhecimento. 2 Metodologias ágeis. 2.1 Scrum, 
XP, TDD, modelagem ágil, Scrumban e Kanban. 3 Gestão ágil de projetos: 3.1 Scrum. 3.2 Guia de prática ágil PMI. 4 Governança de TI (COBIT 2019). 
4.1 Conceitos básicos, estrutura e objetivos. 
ESTATÍSTICA: 1 Estatística descritiva e análise exploratória de dados: gráficos, diagramas, tabelas, medidas descritivas (posição, dispersão, assimetria e 
curtose). 2 Probabilidade. 2.1 Definições básicas e axiomas. 2.2 Probabilidade condicional e independência. 2.3 Variáveis aleatórias discretas e contínuas. 
2.4 Distribuição de probabilidades. 2.5 Função de probabilidade. 2.6 Função densidade de probabilidade. 2.7 Esperança e momentos. 2.8 Distribuições 
especiais. 2.9 Distribuições condicionais e independência. 2.10 Transformação de variáveis. 2.11 Leis dos grandes números. 2.12 Teorema central do limite. 
2.13 Amostras aleatórias. 2.14 Distribuições amostrais. 3 Inferência estatística. 3.1 Estimação pontual: métodos de estimação, propriedades dos estimadores, 
suficiência. 3.2 Estimação intervalar: intervalos de confiança, intervalos de credibilidade. 3.3 Testes de hipóteses: hipóteses simples e compostas, níveis de 
significância e potência de um teste, teste t de Student, teste qui-quadrado. 4 Análise de regressão linear. 4.1 Critérios de mínimos quadrados e de máxima 
verossimilhança. 4.2 Modelos de regressão linear. 4.3 Inferência sobre os parâmetros do modelo. 4.4 Análise de variância. 4.5 Análise de resíduos. 5 Técnicas 
de amostragem: amostragem aleatória simples, estratificada, sistemática e por conglomerados. 5.1 Tamanho amostral. 
GESTÃO DE CONTRATOS: 1 Princípios aplicados aos contratos celebrados com a administração pública. 2 Sistemas de compras públicas federais. 2.1 
Comprasnet. 2.2 Lei nº 14.133/2021. 2.3 Obrigações do gestor de contratos celebrados com a administração pública. 2.4 Formalização e execução de contratos 
com a administração pública. 2.5 Infrações contratuais e sanções em contratos com a administração pública. 2.6 Controle de contratos com a administração 
pública. 3 Sistemas de compras públicas estaduais e/ou municipais. 3.1 Regulamento/normativo interno do órgão para a celebração de contratos com a 
administração pública.
GESTÃO DE PRODUTO: 1 Qualidade de software. 1.1 MPSBR e CMMI. 1.2 Conceitos básicos e objetivos. 1.3 Disciplinas e formas de representação. 1.4 
Níveis de capacidade e maturidade. 1.5 Processos e categorias de processos.
INTELIGÊNCIA ARTIFICIAL: 1 Técnicas de classificação. 1.1 Naive Bayes. 1.2 Regressão logística. 1.3 Redes neurais artificiais. 1.3.1 Funções de ativação: 
limiar, linear, ReLU, logística, softmax, maxout e gaussiana. 1.3.2 Redes Perceptron de única e múltiplas camadas. 1.4 Árvores de decisão (algoritmos ID3 
e C4.5) e florestas aleatórias (random forest). 1.5 Máquinas de vetores de suporte (SVM – support vector machines). 1.6 K vizinhos mais próximos (KNN 
– K-nearest neighbors). 1.7 Comitês de classificadores. 1.8 Avaliação de modelos de classificação: treinamento/teste/validação; validação cruzada; métricas 
de avaliação (matriz de confusão, acurácia, precisão, revocação, F1-score e curva ROC). 2 Técnicas de regressão. 2.1 Regressão linear. 2.2 Séries temporais 
(tendências, suavização exponencial e modelos ARIMA). 2.3 Redes neurais para regressão. 2.4 Árvores de decisão para regressão. 2.5 Máquinas de vetores 
de suporte para regressão. 2.6 Intervalos de confiança em regressão. 2.7 Avaliação de modelos de regressão: mean absolute error (MAE), mean square error 
(MSE), root mean square error (RMSE) e coeficiente de determinação (R2). 3 Técnicas de agrupamento. 3.1 Agrupamento por partição. 3.2 Agrupamento 
por densidade. 3.3 Agrupamento hierárquico. 4 Técnicas de redução de dimensionalidade. 4.1 Seleção de características (feature selection). 4.2 Análise de 
componentes principais (PCA – principal component analysis). 5 Técnicas de associação. 5.1 Descoberta de conjuntos frequentes. 5.2 Descoberta de regras 
de associação. 6 Sistemas de recomendação. 7 Processamento de linguagem natural (PLN). 7.1 Normalização textual (stop words, estemização, lemati-
zação e análise de frequência de termos). 7.2 Rotulação de partes do discurso (POS-tagging – part-of-speech tagging). 7.3 Reconhecimento de entidades 
(NER – named entity recognition) e rotulação IOB. 7.4 Modelos de representação de texto: N-gramas, modelos vetoriais de palavras (CBOW, Skip-Gram e 
GloVe), modelos vetoriais de documentos (booleano, TF e TF-IDF, média de vetores de palavras e Paragraph Vector). 7.5 Métricas de similaridade textual 
(similaridade do cosseno, distância euclidiana, similaridade de Jaccard, distância de Manhattan e coeficiente de Dice). 7.6 Aplicações de PLN: sumarização 
automática de texto (abordagens extrativa e abstrativa), modelagem de tópicos em texto (algoritmos LSI, LDA e NMF), classificação de texto, agrupamento 

                            

Fechar