SEFAZ-AL: Ciência de Dados

Cartões · 50

O que é Ciência de Dados?

Transformação de dados brutos em decisões usando estatística, programação e conhecimento de negócio.

Qual a diferença entre Dado e Informação?

Dado é o elemento bruto sem contexto (ex: R$ 1000); informação é o dado contextualizado e útil para decisão.

Cite as 6 fases do CRISP-DM em ordem

1. Entendimento do Negócio, 2. Entendimento dos Dados, 3. Preparação dos Dados, 4. Modelagem, 5. Avaliação, 6. Implantação.

Qual fase do CRISP-DM consome a maior parte do tempo (cerca de 80%)?

Preparação e limpeza dos dados.

O que é JSON?

Formato leve de intercâmbio de dados baseado em texto legível, estruturado em chaves e valores ou listas; comum em APIs.

O que é XML?

Linguagem de marcação extensível baseada em tags (<tag>), muito utilizada na emissão e validação de NF-e.

JSON e XML são linguagens de programação?

Não, são formatos padronizados de representação de dados semiestruturados lidos por linguagens como Python e Java.

Quais as principais aplicações da Ciência de Dados na SEFAZ?

Detecção de fraudes tributárias, previsão de arrecadação do ICMS, segmentação de contribuintes e análise de anomalias.

O que é um dado estruturado?

Dado organizado em formato rígido de linhas e colunas com tipos definidos, como tabelas relacionais ou planilhas.

O que é o Anki e como funciona?

Software de repetição espaçada que agenda revisões no intervalo ótimo para evitar a curva do esquecimento.

O que é um dado não estruturado?

Dado sem modelo relacional ou esquema predefinido, como textos livres, imagens, áudios e vídeos.

O que caracteriza um dado semiestruturado?

Dado sem esquema tabular rígido, mas com marcadores internos que separam elementos, como JSON, XML e YAML.

O que significa a sigla ETL?

Extract, Transform, Load (Extrair, Transformar e Carregar); processo de integração e preparação de dados.

O que é um Data Warehouse (DW)?

Repositório central de dados históricos consolidados e estruturados, otimizado para relatórios analíticos e BI.

Qual a diferença entre OLTP e OLAP?

OLTP foca em transações rápidas do dia a dia (operacional); OLAP foca em consultas analíticas complexas sobre grandes volumes.

O que é um Data Lake?

Repositório centralizado que armazena grandes volumes de dados brutos em seus formatos nativos (estruturados ou não).

O que são os 5 Vs do Big Data?

Volume, Velocidade, Variedade, Veracidade e Valor.

O que é Aprendizado Supervisionado?

Treinamento de modelos a partir de dados históricos rotulados contendo a resposta correta esperada.

O que é Aprendizado Não Supervisionado?

Algoritmos que descobrem padrões, agrupamentos ou estruturas intrínsecas em dados não rotulados.

Qual a diferença entre Classificação e Regressão?

Classificação prevê categorias discretas (ex: fraude ou regular); regressão prevê valores numéricos contínuos (ex: arrecadação).

O que é o Teorema do Limite Central?

Afirma que a média de amostras aleatórias tende à distribuição normal à medida que o tamanho amostral cresce.

O que é Overfitting (sobreajuste)?

Quando o modelo decora os dados de treino com excesso de ruído, perdendo a capacidade de generalizar para novos dados.

O que é Underfitting (subajuste)?

Quando o modelo é simples demais para capturar os padrões e relacionamentos essenciais contidos nos dados.

O que mede a Matriz de Confusão?

Tabela de desempenho de classificação que cruza classes reais e previstas: VP, VN, FP e FN.

Qual a diferença entre Precisão e Revocação (Recall)?

Precisão mede o acerto entre os positivos preditos; revocação mede a proporção de positivos reais capturados pelo modelo.

O que é um Falso Positivo na fiscalização tributária?

Classificar um contribuinte idôneo e regular como potencial fraudador de forma incorreta.

O que é um Falso Negativo na fiscalização tributária?

Deixar de identificar um sonegador real, classificando-o erroneamente como contribuinte regular.

O que é Normalização de dados numéricos?

Ajuste de variáveis contínuas para uma escala comum (ex: de 0 a 1), evitando pesos desproporcionais aos maiores números.

O que é Imputação de dados faltantes?

Técnica de preenchimento de valores ausentes (nulos) usando média, mediana, moda ou modelos preditivos.

O que é Análise Exploratória de Dados (EDA)?

Etapa inicial que resume as características essenciais dos dados por meio de estatística descritiva e gráficos.

O que é um Outlier?

Ponto de dado que se desvia drasticamente do padrão geral da distribuição, indicando anomalia ou erro.

Para que serve o algoritmo K-Means?

Agrupar observações em K grupos com base na similaridade matemática de suas características (não supervisionado).

O que é Árvore de Decisão no contexto preditivo?

Modelo baseado em regras hierárquicas de divisão que segmenta os dados para classificar ou regredir valores.

O que é Random Forest?

Método ensemble que combina múltiplas árvores de decisão para reduzir a variância e aumentar a precisão geral.

O que é Validação Cruzada (K-Fold Cross-Validation)?

Técnica de particionar a base em K subconjuntos para testar e treinar o modelo, garantindo robustez na avaliação.

Qual a função do comando GROUP BY em SQL?

Agrupar linhas com valores idênticos em colunas específicas para aplicar funções de agregação como SUM ou COUNT.

Qual a diferença entre INNER JOIN e LEFT JOIN no banco de dados?

INNER JOIN retorna apenas correspondências exatas em ambas as tabelas; LEFT JOIN traz toda a tabela esquerda mais correspondências.

O que é uma Chave Primária (Primary Key)?

Atributo ou conjunto de atributos que identifica de forma única cada registro em uma tabela relacional.

O que é uma Chave Estrangeira (Foreign Key)?

Coluna que estabelece uma relação com a chave primária de outra tabela, garantindo a integridade referencial.

O que são valores nulos (NULL) em bancos de dados?

Ausência de dado ou valor desconhecido, que não equivale numericamente a zero nem a texto vazio.

O que é a Curva ROC e a métrica AUC?

Curva que avalia a taxa de verdadeiros positivos contra falsos positivos; AUC mede a área sob a curva como qualidade global.

O que é One-Hot Encoding?

Transformação de variáveis categóricas em colunas binárias (0 ou 1) para viabilizar o uso em algoritmos numéricos.

O que representa o desvio padrão em um conjunto de notas fiscais?

Medida que quantifica o grau de dispersão dos valores das notas em relação ao valor médio emitido.

O que é Regressão Linear?

Modelo estatístico que estima a relação linear contínua entre uma variável dependente e variáveis independentes.

O que é Regressão Logística?

Modelo estatístico usado para calcular a probabilidade de um evento binário acontecer (ex: pagar ou inadimplir).

Qual a utilidade da biblioteca Pandas em Python?

Manipulação, limpeza, filtragem e análise estruturada de conjuntos de dados em estruturas chamadas DataFrames.

Para que serve a biblioteca Scikit-Learn em Python?

Biblioteca padrão para construção de pipelines completos de Machine Learning clássico e pré-processamento.

O que é a Lei de Benford e seu uso na fiscalização?

Distribuição de frequência dos primeiros dígitos de números naturais; usada para flagrar manipulação contábil em notas.

O que é Governança de Dados no setor público?

Conjunto de políticas, processos e padrões que asseguram qualidade, integridade, segurança e sigilo dos dados fiscais.

O que é LGPD e como impacta o tratamento de dados pela administração?

Lei Geral de Proteção de Dados; impõe regras de finalidade, necessidade e segurança sobre o uso de dados de pessoas físicas.