1 ° Simulado PROVA SEFAZ CE - Conhecimento Específico (TI)

O simulado deve abranger o ciclo de vida completo de projetos de dados, desde a metodologia até a infraestrutura de processamento, focando nos seguintes pilares:

1. Metodologias e Governança:

• CRISP-DM: O simulado deve cobrar o entendimento do modelo como um processo intrínsecamente iterativo e cíclico, e não linear. É fundamental abordar os ciclos de retrocesso, como a necessidade de redefinir o negócio após o entendimento dos dados ou a volta à preparação de dados durante a modelagem.
• MLOps: Foco no Model Registry como o "cartório" da Ciência de Dados, essencial para combater a degradação dos modelos (Data e Concept Drift). As questões devem distinguir claramente as fases de Staging, Production e Archived.

1. Fundamentos de Estatística e Machine Learning:

• Taxonomia de Variáveis: O foco deve ser nas Escalas de Stevens, explorando a diferença entre variáveis qualitativas (nominais e ordinais) e quantitativas (discretas e contínuas). Deve-se incluir "pegadinhas" sobre o viés numérico (como classificar CPF ou CEP como qualitativo nominal).
• Aprendizado Supervisionado: Diferenciação clara entre Regressão (estimar grandezas contínuas) e Classificação (categorizar classes discretas). Atenção especial à Regressão Logística, que, apesar do nome, é um algoritmo de classificação.
• EDA (Análise Exploratória): Ênfase na visualização (Histogramas, Boxplots e Scatter Plots) como ferramenta de diagnóstico preliminar, que não deve ser confundida com a "cirurgia" de limpeza de dados.

1. Engenharia e Arquitetura de Dados:

• Arquitetura Medalhão: Exploração das camadas Bronze (histórico imutável e fiel à fonte), Silver (fonte única da verdade limpa e tipada) e Gold (dados agregados para consumo de BI).
• Data Lakehouse: Cobrar o conceito de unificação que traz transações ACID para o armazenamento barato de um Data Lake, utilizando formatos como Delta Lake, Iceberg ou Hudi.
• PySpark: Foco na arquitetura Driver (Maestro) versus Executors (Operários) e no risco de erros de Out of Memory (OOM) ao utilizar comandos como collect() ou toPandas() sem a devida redução de dados via limit().

1. Extração Analítica e SQL:

• SQL Avançado: As questões devem testar a ordem lógica de execução (FROM -> WHERE -> GROUP BY -> HAVING -> SELECT) em oposição à ordem de escrita. Um ponto crucial é a distinção entre o filtro de linhas individuais (WHERE) e o filtro de grupos agregados (HAVING).
• Operações OLAP: Navegação no hipercubo de dados através de operações de Drill-down, Roll-up, Slice, Dice e Pivot, focando na diferença entre navegação hierárquica e restrição de visão.

Diretrizes de Estilo para as Questões (Estilo FCC)

• Técnica de Distração: Utilize a "Troca de Conceitos" (ex: atribuir características de Evaluation ao Deployment) ou a "Extrapolação" (ex: afirmar que o Spark processa tudo no Driver em qualquer hipótese).
• Contextualização: Sempre que possível, utilize situações hipotéticas curtas, como um gestor que precisa de um relatório específico ou um engenheiro enfrentando um erro de memória.
• Fidelidade Acadêmica: O gabarito deve se basear na Realidade Teórica das fontes, combatendo a lógica baseada apenas no senso comum do candidato.

Este simulado visa não apenas testar o conhecimento de termos técnicos, mas a capacidade do candidato de discernir processos passivos (diagnóstico/entendimento) de processos ativos (preparação/limpeza) no fluxo de dados.