Prezado aluno e futuro aprovado,

Esse concurso da Petrobras é uma das maiores oportunidades para entrar na empresa. Nunca tivemos tantas vagas em um único concurso. Assim, você não pode ignorar essa oportunidades.

A Petrobras é uma das melhores empresas que já trabalhei. Fui Engenheiro de Equipamentos concursado por mais de 6 anos. Além de possibilitar altos salários (meus antigos colegas estão em cargos gerenciais e ganham mais de 30 mil reais), ela oferece treinamento, planos de saúde, plano de aposentadoria, PLR, ….

Mas vamos direto ao ponto (pois a prova já está ai).

Para ser aprovado você vai precisar de três coisas:

1) Estudar com um material de qualidade

2) Não se perder nos estudos nessa reta final

3) Possuir uma boa estratégia de execução de prova

Serão esses pontos que irão separar quem será aprovado e quem não será aprovado.

Fique tranquilo!

No nosso curso, você terá essa três itens. Eu fui aprovado em diversos concursos de engenharia. Entre eles os concursos da Petrobras, Marinha, Embasa e Infraero. Além disso, dou aula para concursos públicos há mais de 10 anos. Atualmente sou Auditor Federal na Controladoria Geral da União e também fui aprovado no concurso para Auditor do Tribunal de Contas da União. Em ambos os concursos fui aprovado para o cargo de TI

A CGU e o TCU são um dos concursos mais difíceis do país. Assim, tenho larga experiência tanto ensinado, como fazendo provas e sendo aprovado.

O CESPE é uma banca que conheço muito e por isso posso te levar à aprovação nesses poucos meses, pois o nosso curso será focado no que banca cobra e sem nenhum tipo de enrolação. Direto ao ponto, como nós engenheiros gostamos.

Chegou a hora de ser um empregado da Petrobras!

Vamos cobrir os seguintes assuntos:

CIÊNCIA DE DADOS – BLOCO I: 1 Aprendizado supervisionado: Regressão e Classificação. 1.1 Métricas de avaliação. 1.2 Overfitting e underfitting de modelos. 1.3 Regularização. 1.4 Seleção de modelos: Erro de Generalização. 1.5 Validação Cruzada. 1.6 Conjuntos de Treino, Validação e Teste. 1.7 Trade off entre Variância e Viés. 1.8 Algoritmos: Regressão Linear e Regressão Logística. 1.9 Árvores de decisão e random forests. 1.10 Máquina de suporte de vetores. 1.11 Naive Bayes. 1.12 K-NN. 1.13 Ensembles. 1.14 Aprendizado supervisionado com Python scikit-learn. 1.15 Conceitos de otimização de hiperparâmetros. 2 Aprendizado não supervisionado. 2.1 Redução de dimensionalidade: PCA. 2.2 Agrupamento K-Means. 2.3 Mistura de Gaussianas. 2.4 Agrupamento Hierárquico. 2.5 Regras de associação. 2.6 Aprendizado não supervisionado com Python scikit-learn. 3 Redes neurais artificiais. 3.1 Conceitos Básicos em Redes Neurais Artificiais: Definições e Arquitetura. 3.2 Funções de Ativação. 3.3 Otimização de Redes Neurais Artificiais: método do gradiente, método do gradiente estocástico, algoritmo backpropagation, métodos de inicialização dos pesos, Vanishing Gradients. 3.4 Métodos de regularização: penalização com normas L1 e L2, Dropout e Early Stopping. 3.5 Definições básicas de Redes Neurais Convolucionais. 3.6 Definições básicas de Redes Neurais Recorrentes. 3.7 Redes neurais com Python: treino de modelos com Keras e Pytorch. BLOCO II: 1 Machine learning aplicado. 1.1 Noções de Visão computacional com redes neurais convolucionais. 1.2 Classificação de imagens. 1.3 Detecção de objetos. 1.4 Segmentação de objetos e instâncias. 1.5 Noções de Processamento Natural de Linguagem. 1.6 Stop-words, stemização e n-grams. 1.7 TF-IDF. 1.8 Modelagem de tópicos (LDA, NMF). 1.9 Word embeddings: CBOW e Skip Gram. 1.10 Conceitos Básicos em Séries Temporais. 2 Manipulação, tratamento e visualização de dados. 2.1 Técnicas de visualização de dados (questão 1/2). 2.2 Técnicas de visualização de dados (questão 2/2). 2.3 Lidando com valores faltantes. 2.4 Lidando com dados categóricos. 2.5 Normalização numérica. 2.6 Detecção e tratamento de outliers. 2.7 Manipulação de dataframes com Python Pandas: leitura de dados tabulares, seleção de linhas e colunas, agregação de dados, preenchimento de valores faltantes, remoção de duplicados, junção de dataframes. 3 Banco de dados e data warehouse. 3.1 Modelo entidade-relacionamento. 3.2 Mapeamento lógico relacional. 3.3 Normalização. 3.4 Linguagem de definição e manipulação de dados (SQL). 3.5 Conceitos de data warehousing e modelagem multidimensional (esquema estrela). 3.6 Conceitos gerais de Hadoop: HDFS, MapReduce, YARN e Spark. 3.7 Conceitos de Bancos NoSQL e Armazenamento orientado a objeto (object store). BLOCO III: 1 Cálculo. 1.1 Pré-cálculo: Conjuntos, Coordenadas Cartesianas, Cônicas e Produtos Notáveis. 1.2 Funções. 1.3Limites. 1.4 Derivadas. 1.5 Derivadas parciais. 1.6 Máximos e Mínimos. 1.7 Esboços de  Gráficos de Funções. 1.8 Integrais. 2 Álgebra Linear para Ciência de Dados. 2.1 Notação de vetores e matrizes. 2.2 Operações com vetores e matrizes; produto escalar e produto vetorial. 2.3 Matriz identidade, inversa e transposta. 2.4 Transformações lineares. 2.5 Normas (L1, L2). 2.6 Autovalores e autovetores. 2.7 Decomposição SVD. 2.8 Álgebra linear e operações matriciais com Python Numpy. 3 Probabilidade e estatística. 3.1 Conceitos de Probabilidade: Modelo de probabilidade, Probabilidade Condicional, Independência, Variáveis Aleatórias, Esperança, Variância e Covariância. 3.2 Distribuições Contínuas e Discretas: Normal, t-Student, Poisson, Exponencial, Binomial, Dirichlet. 3.3 Distribuições multidimensionais; matriz de covariância. 3.4 Estatísticas Descritivas. 3.5 Inferência Estatística: Teorema do Limite Central, Teste de Hipótese e Intervalo de Confiança, Estimador de Máxima Verossimilhança, Inferência Bayesiana. 3.6 Coeficiente de correlação de Pearson. 3.7 Histogramas e curvas de frequência. 3.8 Diagrama boxplot. 3.9 Avaliação de outliers. 4 Algoritmos e estrutura de dados. 4.1 Complexidade de algoritmos e notação assintótica (Big O). 5 Conceitos modernos de sistemas de informação. 5.1 Conceitos Nuvem: IaaS, PaaS e SaaS. 5.2 Conceitos de Containers: construção, registro, execução e orquestração. 5.3 Conceitos básicos de DevOps: versionamento com git, pipeline e CI/CD.

Nosso curso será em vídeo aulas objetivas com teoria e questões. De forma que você chegue preparado para a prova e garanta sua vaga com salário inicial de 11 mil reais. Sim, inicial, pois na Petrobras o céu é o limite.

O curso está sendo gravado do zero. O cronograma é terminar um curso uma semana antes da prova para que seja possível revisar a matéria.

Garanta sua vaga aqui

Se você ficou com alguma dúvida, pode falar comigo nos seguintes meios:

Instagram

Linkedin

professor.almeidajunior@gmail.com