DOEAM 07/02/2022 - Diário Oficial do Estado do Amazonas - Tipo 1
DIÁRIO OFICIAL DO ESTADO DO AMAZONAS | PODER EXECUTIVO - SEÇÃO II
Manaus, segunda-feira, 07 de fevereiro de 2022 17
aplicações e serviços. 5 Padrões XML, XSLT, UDDI, WSDL, SOAP, REST
e JSON.. 7 Testes de software. 7.1 Tipos de testes. 7.2 Teste unitário. 7.3
Teste de integração. 7.4 Teste de carga/estresse). 8 Qualidade de código:
SonarQube, Robot Framework e JMeter. 9 Tecnologias e práticas frontend
web: HTML, CSS, UX, Ajax, frameworks (Bootstrape JQuery,). 9.1 Padrões
de frontend. 9.1.1 SPA e PWA. 10 Tecnologias backend. 10.1 Frameworks:
Hibernate, SpringBoot, Django, NodeJS, Express e NestJS. 10.2 Especifica-
ções: JEE (JPA, EJB, JSF, JMS e JTA), JVM.
NUVEM COMPUTACIONAL
1 Arquitetura e desenvolvimento em nuvem. 1.1 Computação na nuvem.
1.2 Nuvem pública e nuvem privada. 2 Arquitetura de cloud computing
para dados (AWS, Azure). 2.1 Características, requisitos e recursos.
ORIENTAÇÕES A SERVIÇO: 1 Ferramentas de integração assíncrona:
Kafka, NATS Streaming, ActiveMQ. 2 microsserviços. 2.1 Orquestração de
serviços, API gateway. 2.2 containers. 2.3 Padrões de microsserviços. 2.4
Transações distribuídas. 3 Arquitetura de software. 3.1 Interoperabilidade
de sistemas. 3.2 Arquitetura orientada a serviços. 3.2.1 Web services. 3.2.2
RESTful, SOAP. 3.3 Arquitetura orientada a objetos. 3.4 Arquitetura. 3.5
Camadas, modelo MVC. 3.6 Arquitetura de aplicações para ambiente web.
3.6.1 Servidor de aplicações. Servidor web.
BIG DATA & ANALYTICS
1 Dado, informação, conhecimento e inteligência. 1.1 Dados estruturados
e não estruturados. 1.2 Dados abertos. 1.3 Coleta, tratamento, armaze-
namento, integração e recuperação de dados. 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, pro-
cessamento 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 Álgebra relacional e SQL (padrão ANSI). 9 Banco
de dados NoSQL. 10 Visualização e análise exploratória de dados 10.1
Ferramentas de criação de dashboards (Qlik, MicroStrategy Dossiê, Tableau
e Pentaho). 10.2 Storytelling. 10.3 Elaboração de painéis e dashboard. 10.4
Elaboração de relatórios analíticos.
INTELIGÊNCIA ARTIFICIAL
1 Técnicas de classificação. 1.1 NaiveBayes. 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 (randomforest). 1.5 Máquinas de vetores de suporte
(SVM - support vector machines). 1.6 K vizinhos mais próximos (KNN - K-ne-
arestneighbors). 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: meanabsoluteerror
(MAE), meansquareerror (MSE), root meansquareerror (RMSE) e coeficiente
de determinação (R 2 ). 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
(featureselection). 4.2 Análise de componentes principais (PCA - principal
componentanalysis). 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, lematização 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 - na-
medentityrecognition) 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 de texto, tradução automática de texto, análise de
sentimentos e emoções em texto, reconhecimento de voz (STT - speech
totext). 8 Visão computacional. 8.1 Reconhecimento facial. 8.2 Classificação
de imagens. 8.3 Detecção de objetos. 8.4 Deeplearning para visão com-
putacional. 9 Aprendizado profundo. 9.1 Redes neurais convolucionais. 9.2
Redes neuraisrecorrentes. 9.2.1 Redes de Hopfield. 9.2.2 Long short-term
memory (LSTM). 9.2.3 Redes Perceptron multicamadas recorrentes. 9.2.4
Máquinas de Boltzmann. 9.2.5 Deepbelief networks.
REDE DE COMPUTADORES
1 Técnicas básicas de comunicação de dados. 2 Técnicas de comutação
de circuitos, pacotes e células. 3 Topologias de redes de computadores.
4 Arquitetura e protocolos de redes de comunicação de dados. 5 Ende-
reçamento e protocolos da família TCP/IP. 6 Modelo OSI. 7 Arquitetura
cliente/servidor. 8 Tecnologias de rede local: ethernet, fast ethernet, gigabit
ethernet. 9 Redes sem fio: padrões 802.11, protocolos 802.1x, EAP, WEP,
WPA, WPA2. 10 Servidores de rede Linux e Windows.
VIRTUALIZAÇÃO DE SERVIDORES
1 Tópicos avançados. 1.1 Virtualização (VMWare). 1.2 Consolidação de
servidores.
SISTEMAS DISTRIBUÍDOS
1 Arquitetura de sistemas distribuídos. 1.1 Balanceamento de carga, fail‐
over e replicação de estado. 1.2 Técnicas de análise de desempenho
e otimização de consultas (tuning). 1.3 Segurança de banco de dados. 2
Arquitetura e tecnologias de sistemas de informação: conceitos básicos
e aplicações; arquitetura cliente-servidor; especificação de metadados;
arquitetura de aplicações para ambiente web: servidor de aplicações,
servidor web; arquitetura de software: arquitetura de camadas, modelo
MVC. 3 Desenvolvimento de integrações: tecnologia Middleware. 3.1 APS
(applicationplatformsuite); interoperabilidade de sistemas. 3.1.1 Padrões de
interoperabilidade (ePING).
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.
Técnico de Arrecadação de Tributos Estaduais
PROVA I
LÍNGUA PORTUGUESA
1 Interpretação de texto: decodificação dos diversos tipos de mensagem.
2 Compreensão de texto: observação dos processos que constroem os
significados textuais. 3 A linguagem e a lógica. 4. As estruturas linguísticas
no processo de construção de mensagens adequadas. 5 A pragmática na
linguagem: o significado contextual. 6 A semântica vocabular: antônimos,
sinônimos, homônimos, parônimos e heterônimos. 7. Os modos de
organização discursiva: a descrição, a narração, a exposição informativa e a
exposição argumentativa. 8 A organização das frases nas situações comuni-
cativas: a colaboração e a relevância; os atos de fala. 9 A linguagem lógica
e a figurada. 10. Os diversos níveis de linguagem. 11. Os tipos de discurso:
direto, indireto e indireto livre. 12. As funções da linguagem.
RACIOCÍNIO LÓGICO-MATEMÁTICO
1. Estrutura lógica de relações arbitrárias entre pessoas, lugares, objetos
ou eventos fictícios; deduzir novas informações das relações fornecidas
e avaliar as condições usadas para estabelecer a estrutura daquelas
relações. 2 Compreensão e elaboração da lógica das situações por meio de:
raciocínio verbal; raciocínio matemático; raciocínio sequencial; orientação
espacial e temporal; formação de conceitos; discriminação de elementos. 3
Compreensão do processo lógico que, a partir de um conjunto de hipóteses,
conduz, de forma válida, a conclusões determinadas.
MATEMÁTICA FINANCEIRA / ESTATÍSTICA
Matemática Financeira - Juros simples. Montante e juros. Taxa real e
taxa efetiva. Taxas equivalentes. Capitais equivalentes. Juros compostos.
Montante e juros. Taxa real e taxa efetiva. Taxas equivalentes. Capitais
equivalentes. Capitalização contínua. Descontos: simples, composto.
VÁLIDO SOMENTE COM AUTENTICAÇÃO
Fechar