Apostila Analista de Ciência de Dados — Concurso DATAPREV/BR 2026

Conhecimentos Básicos

LÍNGUA PORTUGUESA

• Compreensão e interpretação de textos de gêneros variados
• Reconhecimento de tipos e gêneros textuais
• Ortografia Oficial
• Mecanismos de coesão textual: elementos de referenciação, substituição e repetição
• Conectores e elementos de sequenciação textual
• Emprego de tempos e modos verbais
• Estrutura morfossintática do período
• Emprego das classes de palavras (substantivo, adjetivo, pronome, artigo, numeral, verbo, advérbio, preposição e conjunção)
• Relações de coordenação entre orações e entre termos da oração
• Relações de subordinação entre orações e entre termos da oração
• Emprego dos sinais de pontuação
• Concordância verbal e nominal
• Regência verbal e nominal
• Emprego do sinal indicativo de crase
• Colocação dos pronomes átonos (próclise, mesóclise e ênclise)
• Reescrita de frases e parágrafos do texto
• Significação das palavras (sinonímia, antonímia, paronímia e homonímia)
• Substituição de palavras ou de trechos de texto
• Reorganização da estrutura de orações e de períodos do texto
• Reescrita de textos de diferentes gêneros e níveis de formalidade

INGLÊS

• Compreensão de textos em língua inglesa
• Itens gramaticais relevantes para o entendimento dos sentidos dos textos
• Vocabulário técnico e interpretação de contextos

RACIOCÍNIO LÓGICO E MATEMÁTICA

• Estruturas lógicas
• Lógica de argumentação: analogias, inferências, deduções e conclusões
• Lógica sentencial (ou proposicional)
• Proposições simples e compostas
• Tabelas-verdade
• Equivalências e negações lógicas
• Diagramas lógicos
• Lógica de primeira ordem
• Raciocínio lógico envolvendo problemas aritméticos
• Raciocínio lógico envolvendo problemas geométricos
• Raciocínio lógico envolvendo problemas matriciais

CONHECIMENTOS GERAIS E ATUALIDADES

• Tópicos relevantes e atuais: segurança, transportes, política, economia e sociedade
• Tópicos relevantes e atuais: educação, saúde, cultura e tecnologia
• Tópicos relevantes e atuais: energia, relações internacionais, desenvolvimento sustentável e ecologia
• Inteligência Artificial: fundamentos e conceitos básicos
• Aprendizado de Máquina (Machine Learning)
• Modelos Generativos e Modelos de Linguagem (LLMs)
• Ética, governança e privacidade em Inteligência Artificial

Conhecimentos Específicos

MATEMÁTICA E ESTATÍSTICA APLICADA

• Cálculo: funções, limites, derivadas, derivadas parciais, máximos e mínimos e integrais
• Álgebra linear: notação de vetores e matrizes; produto escalar e produto vetorial
• Matriz identidade, inversa e transposta; transformações lineares
• Normas L1 e L2; autovalores e autovetores
• Conceitos de probabilidade; modelo de probabilidade; probabilidade condicional; independência
• Variáveis aleatórias; esperança, variância e covariância
• Distribuições contínuas e discretas; distribuições multidimensionais e matriz de covariância
• Estatísticas descritivas
• Teorema do Limite Central
• Teste de hipótese e intervalo de confiança
• Estimador de máxima verossimilhança
• Inferência bayesiana
• Coeficiente de correlação de Pearson
• Diagrama boxplot e avaliação de outliers

CIÊNCIA DE DADOS

• Aprendizado supervisionado: regressão e classificação
• Métricas de avaliação; overfitting e underfitting; regularização; seleção de modelos
• Validação cruzada; conjunto de treino, validação e teste; trade-off entre variância e viés
• Regressão linear e regressão logística
• Árvores de decisão e random forests; SVM; K-NN
• Aprendizado não-supervisionado: redução de dimensionalidade (PCA); K-Means; mistura de gaussianas; regras de associação
• Redes neurais artificiais: definições, arquitetura e funções de ativação
• Otimização: método do gradiente, gradiente estocástico e backpropagation
• Métodos de regularização: penalização com normas L1 e L2; CNN
• Machine learning aplicado; visão computacional com CNN; classificação de imagens e detecção de objetos
• Noções de processamento de linguagem natural
• ETL
• Manipulação, tratamento e visualização de dados
• Inteligência artificial: análise de dados (Pandas, NumPy, Jupyter, R)
• Aprendizado de máquina: técnicas de classificação, regressão, agrupamento, redução de dimensionalidade, associação e sistemas de recomendação
• Processamento de linguagem natural (PLN)
• Visão computacional
• Deep learning
• Mineração de dados
• Ferramenta SAS

LINGUAGENS DE PROGRAMAÇÃO E SOFTWARES EM CIÊNCIA DE DADOS

• Python e suas bibliotecas: NumPy, Matplotlib, Seaborn, Streamlit, Pandas, SciPy, TensorFlow, Keras e PyTorch
• R e suas bibliotecas
• Apache Hadoop e Apache Spark

BANCO DE DADOS

• Modelagem de dados (conceitual, lógica e física)
• Abordagem relacional
• Normalização das estruturas de dados
• Integridade referencial
• Metadados
• Modelagem dimensional
• Linguagem de consulta estruturada (SQL)
• Linguagem de definição de dados (DDL)
• Linguagem de manipulação de dados (DML)
• SGBD
• Propriedades de banco de dados
• Banco de dados NoSQL
• Banco de dados em memória
• Data lakes e soluções para big data

Legislação

LEGISLAÇÃO

• Lei nº 12.527/2011 - Lei de Acesso à Informação (LAI)
• Decreto nº 7.724/2012 - Regulamentação da Lei de Acesso à Informação
• Decreto nº 7.845/2012 - Tratamento de informação classificada
• Lei nº 12.737/2012 - Lei de Delitos Informáticos
• Lei nº 12.965/2014 - Marco Civil da Internet
• Lei nº 13.709/2018 - Lei Geral de Proteção de Dados Pessoais (LGPD)