{
  "fetched_at": "2026-10-19T14:00:55Z",
  "source_url": "https://www.kaggle.com/competitions/dl-analise-sentimento/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Aqui estão os dados para treinar e submeter as predições dos seus modelos.\n\n## Arquivos\n\n*   **train.csv** - conjunto de treino (você deve criar sua estratégia de validação com esses dados)\n*   **test.csv** - conjunto de testes (não contém a coluna com o sentimento)\n*   **sample_submission.csv** - exemplo de submissão com probabilidades geradas aleatoriamente (distribuição uniforme)\n\n## Atributos\n\n*   `id` - identificador da avaliação\n*   `review` - texto da avaliação, em inglês\n*   `sentiment` - 0 para sentimento negativo e 1 para sentimento positivo",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Essa competição acadêmica faz parte da disciplina <b>COC891 - Deep Learning</b> do PEC - Programa de Engenharia Civil - da UFRJ. \n\nNessa competição você utilizará os conceitos aprendidos em sala de aula para criar um modelo capaz de classificar o sentimento de um comentário sobre um filme entre Positivo (1) ou Negativo (0). Os comentários estão em Inglês. \n\nVocê poderá utilizar quaisquer métodos aprendidos em sala como Redes Neurais Recorrentes, Redes Neurais Convolucionais ou mesmos realizar uma boa engenharia de atributos com modelos tradicionais de aprendizado de máquina supervisionado. ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "A métrica de avaliação da competição é a área sob a curva ROC, conhecida como: AUC-ROC. (veja uma explicação em https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc). \n\nEssa métrica avalia simultâneamente os indicadores precisão e revocação, além de avaliar a qualidade das predições (a probabilidade inferida para a classe positiva). Para que se alcance valores próximos de 1 no indicador (valor teórico ideal), o seu modelo deve prever probabilidades próximas de 1 (ex: 0.99) para sentimentos positivos e próximas de 0 (0.01) para sentimentos negativos. \n\n## Formato de submissão\n\nO seu arquivo de submissão deve estar em formato csv e possuir as colunas id (mesmo identificador do arquivo test.csv) e sentiment (as probabilidades do seu modelo), como ilustrado abaixo:\n\n```\nid, sentiment\n0, 0.7\n1, 0.02\n2, 0.05\n```\nO arquivo deve possuir 10mil registros, o mesmo número do arquivo test.csv disponibilizado. ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "* É permitido usar qualquer biblioteca ou modelo pré-treinado, mas o seu código de submissão deve executar dentro do Kernel do próprio Kaggle (veja o Starter Code fornecido pelo monitor).\n* A troca de ideias no fórum é encorajada, mas cada um deve produzir seu próprio código. \n* Evite apenas copiar e colar códigos dos colegas ou da Internet sem entender o que está fazendo. \n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}