Questões de Domain-driven Design (DDD)
Limpar pesquisa
Questão: 1 de 27
2265101
Banca: CESPE / Cebraspe
Órgão: SUSEP
Cargo(s): Analista Técnico - Tecnologia da Informação | Tecnologia da Informação e Ciência de Dados
Ano: 2025
Matéria/Assunto: Tecnologia da Informação > Engenharia de Software / Modelos de Ciclo de Vida e Metodologias de Desenvolvimento / Processos e práticas ágeis / Domain-driven Design (DDD)
Questão: 2 de 27
366377
Banca: CESPE / Cebraspe
Órgão: TJ/PA
Cargo(s): Analista Judiciário - Análise de Sistemas - Desenvolvimento
Ano: 2020
Matéria/Assunto: Tecnologia da Informação > Engenharia de Software / Modelos de Ciclo de Vida e Metodologias de Desenvolvimento / Processos e práticas ágeis / Domain-driven Design (DDD)
client/server architecture
federal enterprise architecture
service-oriented architecture
Java persistence architecture
naked object
Questão: 3 de 27
346146
Banca: CESPE / Cebraspe
Órgão: MECON
Cargo(s): Cargo 3: Especialista em Desenvolvimento de Software
Ano: 2020
Matéria/Assunto: Tecnologia da Informação > Engenharia de Software / Modelos de Ciclo de Vida e Metodologias de Desenvolvimento / Processos e práticas ágeis / Domain-driven Design (DDD)
sendo considerado um delimitador de domínio.
Questão: 4 de 27
346148
Banca: CESPE / Cebraspe
Órgão: MECON
Cargo(s): Cargo 3: Especialista em Desenvolvimento de Software
Ano: 2020
Matéria/Assunto: Tecnologia da Informação > Engenharia de Software / Modelos de Ciclo de Vida e Metodologias de Desenvolvimento / Processos e práticas ágeis / Domain-driven Design (DDD)
independente, tal que toda a elaboração do modelo deve
preceder a implementação do código-fonte.
Questão: 5 de 27
277926
Banca: IADES
Órgão: APEX-Brasil
Cargo(s): Analista - Serviços Técnicos em Tecnologia da Informação
Ano: 2018
Matéria/Assunto: Tecnologia da Informação > Engenharia de Software / Modelos de Ciclo de Vida e Metodologias de Desenvolvimento / Processos e práticas ágeis / Domain-driven Design (DDD)
É uma boa prática testar os modelos nos dados
utilizados para treiná-los com o objetivo de avaliar
seus resultados.
Existe um conjunto de métricas que devem ser
sempre utilizadas para testar os modelos,
independente do problema analisado.
Precisa-se considerar a quantidade de dados
disponíveis e a complexidade do problema para se
escolher o melhor modelo.
É sempre recomendado treinar os modelos em
clusters de computadores, pois todos os modelos
precisam de muita computação para treinar.
Um conjunto maior de dados, em geral, não
possibilita o treinamento de modelos mais
complexos.