Questões de Tecnologia da Informação - Caixa Econômica Federal

NumPy oferece rotinas de tratamento de dados como groupby, merge e join, e que a Matplotlib fornece execução eficiente em transformadores, CPUs, GPUs e TPUs.

Pandas oferece estruturas de dados e algoritmos espaciais para tratamento de imagens multidimensionais, e que a Matplotlib fornece suporte para redes neurais profundas.

PyTorch adota o modelo computacional dinâmico (Define-by-Run), e que a TensorFlow utiliza o modelo estático (Define-and-Run).

Scikit-learn oferece tensores para geração de autovalores e autovetores, e que a Pandas fornece um sistema de diferenciação automática de computação de gradientes.

TensorFlow oferece suporte a diversos tipos de dados, tais como JSON e SQL, e que a SciPy nativamente desenha múltiplos gráficos dentro de uma mesma figura.

Análise estática, para executar o código e identificar defeitos em tempo de execução, permitindo a detecção de bugs que ocorrem durante a execução da função addRecord.

Teste de unidade na função addRecord apenas, sem necessidade de testes de integração ou de aceitação, para garantir que o código atenda aos requisitos especificados.

Teste de regressão, para garantir que alterações no código não introduzam novos defeitos em funcionalidades existentes, sendo essencial quando a função addRecord é modificada ou ampliada.

Teste alfa, realizado pelos usuários finais em um ambiente real de produção, para garantir que a função addRecord funcione corretamente antes do lançamento oficial do software.

Desenvolvimento dirigido por testes (TDD ), uma prática em que os testes de aceitação são escritos após a implementação da função addRecord para verificar se ela atende aos requisitos de negócio.

agrupar gatilhos que possuem condições semelhantes de ativação.

ajustar o conjunto ótimo de restrições de integridade.

criar um plano para que a execução de uma consulta seja rápida.

melhorar o desempenho de novas definições de tabelas.

tornar uma atualização de dados a mais rápida possível.

import numpy as np
m=np.matrix('1 2 3 4 5 6 7 8 9')
print(m)
print(m.max())

import numpy as np
m=np.matrix('1 2 3;4 5 6;7 8 9')
print(m)
print(m.mean())

m=matrix('1 2 3; 4 5 6; 7 8 9')
print(m)
print(m.std())

m=[[1,2,3],[4,5,6],[7,8,9]]
print(m)
import numpy as np
print(m.mean())

m=[1,2,3,4,5,6,7,8,9]
print (m)
print(m[0]+m[1]+m[2]+m[3]+m[4]+m[5]+m[6]+m[7]+m[8])

é responsável por testar os softwares para encontrar defeitos antes da entrega.

envolve apenas a documentação das funcionalidades dos softwares, sem se preocupar com as mudanças.

tem como prática essencial garantir que todas as mudanças no código dos softwares sejam registradas e acompanhadas de uma justificativa, permitindo rastreabilidade e controle de versões.

tem como principal objetivo estimar o tempo e os recursos necessários para o desenvolvimento de novas funcionalidades nos softwares.

concentra-se, exclusivamente, no controle de acesso aos repositórios de código dos softwares, sem impactar outras áreas do desenvolvimento.