Bancos de Dados Relacionais. Conceitos básicos: esquema, campos, registros, índices, relacionamentos, transação, tipos de bancos de dados.
modelo conceitual, modelo Entidade Relacionamento (MER)
Sistemas de gerenciamento de bancos de dados relacionais (RDBMS): arquitetura; modelo de dados relacional. Normalização de dados: conceitos, primeira, segunda e terceira formas normais. Restrições: de domínio, chave candidata, chave estrangeira, definidas para tabela, assertivas; ações na restrição de chave estrangeira.
Fundamentos de programação SQL: Procedures, Packages, Functions, Triggers, Views, Queries. Linguagem SQL. DML: Linguagem de manipulação de Dados; DDL: Linguagem de Definição de Dados.
concorrência, recuperação após falha, gerenciamento de transações; administração de usuários e perfis de acesso. Controle de proteção, integridade, concorrência e bloqueio de transações. Tolerância a falhas e continuidade de operação.
Bancos de dados distribuídos.
Monitoração e otimização de desempenho.
Sistemas de Suporte à Decisão:inteligência de negócios. Processo de Data Warehousing - Data Warehouses e Data Marts, modelagem multidimensional.
Recuperação e visualização de dados - OLAP, Painéis e dashboards, Integração de dados - Extração, transformação e carga (ETL).
Data Lakes: Armazenamento de big data; pipelines de dados; processamento distribuído. Outros sistemas de gerenciamento de bancos de dados: Conceitos de Bancos de Dados NoSQL e Colunar: arquitetura, banco de dados orientado a documento, banco de dados do tipo chave-valor, banco de dados orientados a colunas, banco de dados orientado a grafos.
análise de dados. Tipos de dados (vetores, listas, matrizes, data frames, etc). Funções pré-definidas.
Análise e visualização de dados. Organização e identificação de variáveis qualitativas e quantitativas, nominais e ordinais, discretas e contínuas. Apresentação de dados, elaboração e interpretação de gráficos, tabelas e mapas. Diagrama boxplot. Detecção de outliers.
Aprendizado de máquina: Técnicas de classificação, regressão, agrupamento, redução de dimensionalidade, associação e recomendação (Aprendizado Supervisionado)
Aprendizado de máquina: Técnicas de classificação, regressão, agrupamento, redução de dimensionalidade, associação e recomendação (Aprendizado NÃO Supervisionado)
Deep Learning: redes neurais convolucionais (CNN) e recorrentes. Treinamento: funções de ativação, pré-processamento, data augmentation, inicialização de pesos e otimização de parâmetros. Regularização. Transferência de aprendizado.
Processamento de Linguagem Natural (PLN)
BPM [Não explícito no edital]
