Ministério da Educação ​UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ COMISSÃO PERMANENTE DE CONCURSO PÚBLICO   116º da Criação, 20º da Transformação.

EDITAL DE ABERTURA - CONCURSO PÚBLICO Nº 007/2026-CPCP-ld

CONCURSO PÚBLICO DE PROVAS E TÍTULOS PARA O PROVIMENTO DE CARGO DA CARREIRA DO MAGISTÉRIO FEDERAL, NA CATEGORIA FUNCIONAL DE PROFESSOR DO MAGISTÉRIO SUPERIOR - CLASSE A, DENOMINAÇÃO ASSISTENTE.

De ordem do Reitor da Universidade Tecnológica Federal do Paraná (UTFPR), consoante o contido no Decreto nº 7.485, de 18 de maio de 2011, publicado no Diário Oficial da União (DOU) de 19 subsequente, e Portaria Interministerial do Ministério do Planejamento Orçamento e Gestão e Ministério da Educação nº 316, de 09 de outubro de 2017, publicada no DOU de 19 subsequente, torno público que, no período de 03/04/2026 a 04/05/2026, estarão abertas as inscrições para o Concurso Público de Provas e Títulos, destinado ao provimento de 05 (cinco) cargos da Carreira do Magistério Federal, categoria funcional de Professor do Magistério Superior, Classe A, Denominação Assistente, para atender ao Campus Londrina da UTFPR, na(s) Área(s)/Subárea(s) especificada(s) no Anexo I, nos termos do presente Edital de Abertura e do Edital 009/2026 de Condições Gerais, publicado no DOU de 13 de fevereiro de 2026, e disponível em https://sei.utfpr.edu.br/sei/publicacoes/controlador_publicacoes.php?acao=publicacao_visualizar&id_documento=6010031&id_orgao_publicacao=0.

---

Documento assinado eletronicamente por (Document electronically signed by) ELZIMAR DE ANDRADE, PRESIDENTE DE COMISSÃO, em (at) 31/03/2026, às 10:56, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020.

---

A autenticidade deste documento pode ser conferida no site (The authenticity of this document can be checked on the website) https://sei.utfpr.edu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador (informing the verification code) 5598184 e o código CRC (and the CRC code) 439023C0.

---

ANEXO I AO EDITAL Nº 007/2026–CPCP–ld – ABERTURA

PROFESSOR DO MAGISTÉRIO SUPERIOR – CLASSE A – DENOMINAÇÃO “ASSISTENTE”

LEGENDA:

VG Total = nº de vagas totais

PCD = nº de vagas reservadas para pessoas com deficiência

PP = nº de vagas reservadas para pessoas pretas e pardas

I = nº de vagas reservadas para pessoas indígenas

Q = nº de vagas reservadas para pessoas quilombolas

PDE/ PM = quantidade de candidatos a serem classificados para a Prova de Desempenho de Ensino e Prova de Memorial de Trajetória Acadêmica e Plano de Trabalho para a Instituição. Esta quantidade não se aplica aos candidatos às vagas reservadas.

CH = carga horária

DE = dedicação exclusiva

(1) Referência utilizada: Tabela de Áreas do Conhecimento da CAPES, disponível em: https://www.gov.br/capes/pt-br/acesso-a-informacao/acoes-e-programas/avaliacao/instrumentos/documentos-de-apoio/tabela-de-areas-de-conhecimento-avaliacao

(2) Plataforma Sucupira: https://sucupira.capes.gov.br/

REMUNERAÇÃO - DEDICAÇÃO EXCLUSIVA

O Professor do Magistério Superior fará jus à auxílio-alimentação no valor de R$ 1.175,00.

ANEXO II AO EDITAL Nº 007/2026– CPCP–ld– ABERTURA

PROGRAMA

ÁREA/SUBÁREA: CIÊNCIA DA COMPUTAÇÃO/CIÊNCIA DE DADOS

1. Aprendizado Supervisionado: regressão e classificação; métricas de avaliação; overfitting e underfitting; viés e variância; regularização; erro de generalização; validação cruzada; divisão treino, validação e teste; otimização de hiperparâmetros;

2. Algoritmos de Machine Learning: modelos lineares e generalizados (regressão linear e logística), árvores e ensembles (Random Forest e Gradient Boosting), métodos de margem (SVM), métodos probabilísticos (Naive Bayes) e baseados em instâncias (k-NN); critérios de comparação, seleção e interpretação de modelos;

3. Aprendizado Não Supervisionado: fundamentos e aplicações do aprendizado não supervisionado; redução de dimensionalidade com PCA; métodos de agrupamento: K-Means, Mistura de Gaussianas (EM) e agrupamento hierárquico; métricas de validação de clusters; regras de associação e aplicações;

4. Arquiteturas e Pipelines de Dados: Data Warehouse e Data Lake; processos ETL e ELT; ingestão, limpeza, transformação e validação de dados; arquiteturas em camadas (ex.: bronze, prata e ouro);

5. Construção e Avaliação de Modelos: preparação e pré-processamento de dados; tratamento de valores faltantes e variáveis categóricas; normalização; treinamento, validação e interpretação de modelos;

6. Análise Exploratória e Visualização de Dados: princípios de percepção visual; mapeamento de tipos de dados; escolha de representações gráficas; visualização exploratória e explicativa; construção de dashboards analíticos; painéis dinâmicos para suporte à decisão;

7. Aplicações de Machine Learning em Diferentes Modalidades de Dados: representações vetoriais e busca semântica; conceitos de processamento de texto; pipeline de visão computacional (conceitos e fluxo); fundamentos de séries temporais, janelas temporais e validação temporal;

8. Engenharia de Dados, SQL e Infraestrutura para Ciência de Dados: consultas e manipulação de dados com SQL; integração entre pipelines de dados e modelagem analítica; princípios de MLOps; conceitos de Big Data; arquiteturas em nuvem para Ciência de Dados.

REFERÊNCIAS

A relação a seguir contempla as referências consideradas elementares, o que não impede que outras sejam utilizadas.

JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert. An Introduction to Statistical Learning: with Applications in R. 2. ed. Cham: Springer, 2021.

GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3. ed. Sebastopol: O’Reilly Media, 2022.

HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data Mining: Concepts and Techniques. 3. ed. Burlington: Morgan Kaufmann, 2011.

BRUCE, Peter; BRUCE, Andrew; GEDECK, Peter. Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python. 2. ed. Sebastopol: O’Reilly Media, 2020.

REIS, Joe; HOUSLEY, Matt. Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol: O’Reilly Media, 2022.

KLEPPMANN, Martin. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. Sebastopol: O’Reilly Media, 2017.

KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3. ed. Hoboken: Wiley, 2013.

BEAULIEU, Alan. Learning SQL: Generate, Manipulate, and Retrieve Data. 3. ed. Sebastopol: O’Reilly Media, 2020.

WILKE, Claus O. Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. Sebastopol: O’Reilly Media, 2019.

HUYEN, Chip. Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications. Sebastopol: O’Reilly Media, 2022.

MANNING, Christopher D.; RAGHAVAN, Prabhakar; SCHÜTZE, Hinrich. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

SZELISKI, Richard. Computer Vision: Algorithms and Applications. 2. ed. Cham: Springer, 2022.

HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: Principles and Practice. 3. ed. Melbourne: OTexts, 2021.

MARZ, Nathan; WARREN, James. Big Data: Principles and Best Practices of Scalable Realtime Data Systems. Shelter Island: Manning Publications, 2015.

ELMASRI, Ramez; NAVATHE, Shamkant B. Fundamentals of Database Systems. 7. ed. Boston: Pearson, 2016.

ÁREA/SUBÁREA: CIÊNCIA DA COMPUTAÇÃO/INTELIGÊNCIA ARTIFICIAL

1. Redes Neurais Artificiais: neurônio artificial e perceptron; funções de ativação; funções objetivo; algoritmo de descida de gradiente e backpropagation; técnicas de regularização; principais arquiteturas de redes neurais artificiais;

2. AutoML e Otimização Automatizada de Modelos: conceitos e arquitetura de sistemas AutoML; estratégias de busca e otimização de hiperparâmetros; meta-learning; comparação entre abordagens e frameworks AutoML;

3. Representação do Conhecimento, Agentes e Sistemas Multiagentes: representação simbólica do conhecimento; lógica e inferência; ontologias e grafos de conhecimento; agentes inteligentes; arquitetura de agentes; coordenação, cooperação e tomada de decisão em sistemas multiagentes;

4. Inteligência Artificial Generativa: modelos generativos (VAE, GANs, modelos autoregressivos e de difusão); avaliação de modelos generativos; aplicações em texto, imagem e dados estruturados; limitações, riscos e aspectos éticos;

5. Deep Learning: arquiteturas profundas para visão computacional e processamento de linguagem natural; CNNs, RNNs, LSTM, GRU e Transformers; mecanismos de atenção; Transfer Learning e Fine-Tuning; conceitos de treinamento em GPU e trade-offs computacionais;

6. Large Language Models (LLMs): arquitetura Transformer em larga escala; pré-treinamento e ajuste fino; engenharia de prompt; Retrieval-Augmented Generation (RAG); avaliação, robustez e segurança em LLMs;

7. Inteligência Artificial Explicável (XAI): interpretabilidade global e local; métodos de explicação (SHAP, LIME e técnicas baseadas em gradiente); explicabilidade em Deep Learning e LLMs; aspectos regulatórios e auditoria de modelos;

8. Sistemas de Recomendação e Aprendizado por Reforço: filtragem colaborativa e fatoração matricial; sistemas híbridos; avaliação de recomendadores; fundamentos de aprendizado por reforço; Q-Learning e Deep Reinforcement Learning.

REFERÊNCIAS

A relação a seguir contempla as referências consideradas elementares, o que não impede que outras sejam utilizadas.

AGGARWAL, Charu C. Recommender systems: the textbook. Cham: Springer, 2016.

BAADER, Franz; HORROCKS, Ian; LUTZ, Carsten; SATTLER, Ulrike. An introduction to description logic. Cambridge: Cambridge University Press, 2017.

BISHOP, Christopher M.; BISHOP, Hugh. Deep learning: foundations and concepts. Cham: Springer, 2024.

DIGNUM, Virginia. Responsible artificial intelligence: how to develop and use AI in a responsible way. Cham: Springer, 2019.

FOSTER, David. Generative deep learning. 2. ed. Sebastopol: O’Reilly Media, 2022.

GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016.

HUTTER, Frank; KOTTHOFF, Lars; VANSCHOREN, Joaquin (ed.). Automated machine learning: methods, systems, challenges. Cham: Springer, 2019.

MANNING, Christopher D.; RAGHAVAN, Prabhakar; SCHÜTZE, Hinrich. Introduction to information retrieval. Cambridge: Cambridge University Press, 2008.

MURPHY, Kevin P. Probabilistic machine learning: an introduction. Cambridge: MIT Press, 2022.

RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.

SAMEK, Wojciech et al. (ed.). Explainable AI: interpreting, explaining and visualizing deep learning. Cham: Springer, 2019.

SUTTON, Richard S.; BARTO, Andrew G. Reinforcement learning: an introduction. 2. ed. Cambridge: MIT Press, 2018.

TUNSTALL, Lewis; VON WERRA, Leandro; WOLF, Thomas. Natural language processing with transformers. Revised ed. Sebastopol: O’Reilly Media, 2022.

WOOLDRIDGE, Michael. An introduction to multiagent systems. 2. ed. Hoboken: Wiley, 2009.

ZHANG, Aston et al. Dive into deep learning. Cambridge: Cambridge University Press, 2023.

ÁREA/SUBÁREA: ENGENHARIAS II/ENGENHARIA QUÍMICA

1. Desenvolvimento de modelos estacionários e dinâmicos para processos químicos;

2. Simuladores de processos químicos;

3. Linguagens de programação e suas conexões com simuladores de processo;

4. Comportamento dinâmico de sistemas de primeira e segunda ordem;

5. Comportamento dinâmico de sistemas em malha fechada;

6. Conceitos do controle P, PI e PID; Resposta típica do controle PID; Controle PID digital;

7. Funções de transferência para sistemas em malha fechada; Análise de estabilidade de sistemas em malha fechada; Diagrama do Lugar das Raízes;

8. Conceitos de Controladores lógicos programáveis (CLP); Linguagem de programação Ladder para Controladores Lógicos Programáveis (CLP);

9. Métodos de sintonia de controladores PID.

REFERÊNCIAS

A relação a seguir contempla as referências consideradas elementares, o que não impede que outras sejam utilizadas.

BEQUETTE, B. W. Process dynamics: modeling, analysis and simulation. New Jersey: Prentice Hall, 1998.

CHAVES, I. D. G.; LÓPEZ, J. R. G.; ZAPATA, J. L. G.; ROBAYO, A. L.; NIÑO, G. R. Process analysis and simulation in chemical engineering. Springer, 2019.

HAYDARY, J. Chemical process design and simulation: Aspen Plus and Aspen HYSYS applications. New Delhi: John Wiley & Sons, Inc., 2019.

LUYBEN, W.L. Process modeling, simulation, and control for chemical engineers. 2ª ed. New York: McGraw-Hill, 1996.

DOBRE, T. G.; MARCANO, J. G. S. Chemical engineering: modelling, simulation and similitude. Weinheim: WILEY-VCH, 2007.

ROHANI, Sohrab. Coulson and Richardson's Chemical Engineering: Volume 3B: Process Control. Butterworth-Heinemann, 2017.

STEPHANOPOULOS G. Chemical Process Control: An Introduction to Theory and Practice. Englewood Cliffs: Prentice Hall; 1984.

SEBORG, D. E.; EDGAR, T. F.; MELLICHAMP, D. A.; DOYLE III, F. J. Process Dynamics and Control. 4. ed. Hoboken: Wiley, 2017.

ÁREA/SUBÁREA: ENGENHARIAS III/ENGENHARIA DE PRODUÇÃO

1. Engenharia da Qualidade;

2. Engenharia do Produto e Desenvolvimento de Produtos;

3. Engenharia do Trabalho, Ergonomia e Segurança;

4. Gestão da Manutenção e Confiabilidade;

5. Gestão de Sistemas de Produção e Operações;

6. Indústria 4.0 e Transformação Digital da Produção;

7. Logística e Gestão da Cadeia de Suprimentos;

8. Planejamento e Controle da Produção (PCP);

9. Projeto de Fábrica, Instalações e Layout Industrial;

10. Sustentabilidade e Gestão Ambiental na Produção.

REFERÊNCIAS

A relação a seguir contempla as referências consideradas elementares, o que não impede que outras sejam utilizadas.

SLACK, Nigel; BRANDON-JONES, Alistair; JOHNSTON, Robert. Administração da produção. 8. ed. São Paulo: Atlas, 2018.

CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e operações: manufatura e serviços. 4. ed. São Paulo: Atlas, 2017.

TUBINO, Dalvio Ferrari. Planejamento e controle da produção: teoria e prática. 3. ed. São Paulo: Atlas, 2017.

MARTINS, Petrônio G.; LAUGENI, Fernando P. Administração da produção. 3. ed. São Paulo: Saraiva, 2015.

ROZENFELD, Henrique et al. Gestão de desenvolvimento de produtos: uma referência para a melhoria do processo. São Paulo: Saraiva, 2006.

ULRICH, Karl T.; EPPINGER, Steven D. Projeto e desenvolvimento de produtos. 6. ed. Porto Alegre: AMGH, 2013.

IIDA, Itiro; BUARQUE, Lia. Ergonomia: projeto e produção. 3. ed. São Paulo: Blucher, 2016.

SALIBA, Tuffi Messias. Curso básico de segurança e higiene ocupacional. 7. ed. São Paulo: LTr, 2018.

PALADINI, Edson P. Gestão da qualidade: teoria e prática. 3. ed. São Paulo: Atlas, 2019.

MONTGOMERY, Douglas C. Introdução ao controle estatístico da qualidade. 7. ed. Rio de Janeiro: LTC, 2016.

BALLOU, Ronald H. Gerenciamento da cadeia de suprimentos/logística empresarial. 5. ed. Porto Alegre: Bookman, 2006.

BOWERSOX, Donald J.; CLOSS, David J.; COOPER, M. Bixby. Gestão logística da cadeia de suprimentos. Porto Alegre: AMGH, 2014.

KALPAKJIAN, Serope; SCHMID, Steven. Manufatura, engenharia e tecnologia. 7. ed. São Paulo: Pearson, 2017.

GROOVER, Mikell P. Automação industrial e sistemas de manufatura. 3. ed. São Paulo: Pearson, 2011.

BARBIERI, José Carlos. Gestão ambiental empresarial: conceitos, modelos e instrumentos. 4. ed. São Paulo: Saraiva, 2016.

SEIFFERT, Mari Elizabete Bernardini. Gestão ambiental: instrumentos, esferas de ação e educação ambiental. São Paulo: Atlas, 2014.

ÁREA/SUBÁREA: MATEMÁTICA/PROBABILIDADE E ESTATÍSTICA

1. Estatística descritiva;

2. Probabilidade e distribuições de probabilidades;

3. Estimação de parâmetros;

4. Testes de hipóteses;

5. Correlação e regressão linear simples e múltipla;

6. Análise de resíduos e diagnóstico;

7. Delineamentos experimentais e análise de variância;

8. Métodos multivariados: análise de componentes principais, análise de cluster e análise discriminante;

9. Integração de funções reais;

10. Integração numérica.

Observação: O ponto sorteado para a Prova Escrita deverá ser retirado do sorteio de ponto para a Prova de Desempenho de Ensino.

REFERÊNCIAS

A relação a seguir contempla as referências consideradas elementares, o que não impede que outras sejam utilizadas.

ATKINSON, A. C.; RIANI, M. Robust Diagnostic Regression Analysis. Springer, 2000.

BANZATTO, D. A.; KRONKA, S. N. Experimentação Agrícola. Jaboticabal: FUNEP, 2006.

BUSSAB, W.O.; MORETTIN, P.A. Estatística Básica. 7ª Edição. São Paulo: Editora Saraiva, 2011.

CASELLA, G.; BERGER R. Statistical Inference. 2nd Edition. Duxbury, 2001.

DeGROOT, M. H.; SCHERVISH, M. J. Probability and Statistics. 4th edition. Pearson, 2011.

MONTGOMERY, D. C.; PECK, E. A.; VINING, G. G. Introduction to Linear Regression Analysis. 5th edition. Wiley, 2012.

MONTGOMERY, D. C; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 5ª Edição. Rio de Janeiro: LTC Editora, 2012.

RENCHER, A. C. Methods of Multivariate Analysis. Wiley, 2002.

ANTON, H., BIVENS, I. e DAVIS, S. Cálculo. vol. 1 e 2. Tradução: Claus I. Doering. 8 ed. Porto Alegre: Bookman.

GUIDORIZZI, H. L. Um Curso de Cálculo. 5. ed. São Paulo: LTC - Livros Técnicos e Científicos Editora S. A. Vol. I, II e III.

ARENALES, Selma H. V e DAREZZO, Arthur. Cálculo numérico: aprendizagem com apoio de software. São Paulo: Thomson Learning, 2008, 364 p. + CD-ROM, ISBN 9788522106028.

RUGGIERO, M.A.R., LOPES, V.L.R. Cálculo Numérico: Aspectos Teóricos e Computacionais. 2 Ed. São Paulo: MAKRON Books, 1996, 406 p., ISBN 8534602042.

BURDEN Richard L., FAIRES, J. Douglas. Análise numérica. São Paulo: Cengage Learning, 2008.,721 p.,ISBN 8522106010.