{
  "fetched_at": "2026-10-19T23:19:16Z",
  "source_url": "https://www.kaggle.com/competitions/eel891-202001-trabalho-1/data",
  "pages": [
    {
      "name": "data-description",
      "content": "<h2>Arquivos Fornecidos</h2>\n<ul>\n<li>\n<strong>conjunto_de_treinamento.csv</strong> - dados históricos fornecidos para treinamento de modelos preditivos. Este arquivo contém 20.000 amostras de solicitações de crédito com id do solicitante, dados da solicitação e desfecho do contrato (dívida quitada ou inadimplência).\n</li>\n<li>\n<strong>conjunto_de_teste.csv</strong> - dados históricos que serão usados na competição para verificar e comparar o desempenho dos modelos preditivos construídos pelos competidores. Este arquivo contém 5.000 amostras de solicitações de crédito (diferentes das fornecidas no conjunto de treinamento) com o id do solicitante e os dados da solicitação, mas sem o desfecho do contrato, que é a variável-alvo a ser respondida pelo modelo preditivo.\n</li>\n<li>\n<strong>exemplo_arquivo_respostas.csv</strong> - exemplo de arquivo de respostas para envio (submission). Este arquivo deve conter o desfecho predito pelo modelo para cada uma das 5.000 amostras do conjunto de teste.\n</li>\n<li>\n<strong>dicionario_de_dados.xlsx</strong> - planilha Excel contendo a descrição de todos os campos existentes nos arquivos CSV acima.\n</li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Este é o Trabalho 1 de avaliação da disciplina EEL891 (Introdução ao Aprendizado de Máquina) para a turma do período 2020-1.\n\nNeste trabalho você construirá um classificador para apoio à decisão de aprovação de crédito.\n\nA ideia é identificar, dentre os clientes que solicitam um produto de crédito (como um cartão de crédito ou um empréstimo pessoal, por exemplo) e que cumprem os pré-requisitos essenciais para a aprovação do crédito, aqueles que apresentem alto risco de não conseguirem honrar o pagamento, tornando-se inadimplentes.\n\nPara isso, você receberá um arquivo com dados históricos de 20.000 solicitações de produtos de créditos que foram aprovadas pela instituição, acompanhadas do respectivo desfecho, ou seja, acompanhadas da indicação de quais desses solicitantes conseguiram honrar os pagamentos e quais ficaram inadimplentes.\n\nCom base nesses dados históricos, você deverá construir um classificador que, a partir dos dados de uma nova solicitação de crédito, tente predizer se este solicitante será um bom ou mau pagador.\n\nO objetivo da competição é disputar com seus colegas quem consegue obter a acurácia mais alta em um conjunto de 5.000 solicitações de crédito aprovadas (diferentes das 20.000 anteriores) cujos desfechos (quitação da dívida ou inadimplência) são mantidos ocultos no site do Kaggle, que medirá automaticamente a taxa de acerto das previsões enviadas pelos competidores, sem revelar o \"gabarito\".",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Instruções",
      "content": "<h2>\nInstruções\n</h2>\n \n - Baixe os arquivos de dados do projeto, disponíveis na aba <a href=\"https://www.kaggle.com/c/eel891-202001-trabalho-1/data\">\"Data\"</a>, onde você encontrará também a descrição dos arquivos e o significado de todos os campos neles contidos.\n - Implemente o pré-processamento adequado (tratamento de atributos categóricos, utilização de fatores de escala, etc.).\n - Visualize, analise e selecione os atributos com maior potencial preditivo.\n - Escolha os modelos preditivos de sua preferência e construa um script Python para testá-los.\n - Verifique o desempenho dos modelos preditivos escolhidos por meio de validação cruzada, ou outra técnica de validação de sua preferência, usando o conjunto de treinamento fornecido.\n - Ajuste os hiperparâmetros e o conjunto de variáveis utilizadas pelo modelo preditivo, de modo a reduzir o erro obtido na validação cruzada.\n - Quando estiver satisfeito com o ajuste, treine o seu modelo preditivo usando o conjunto de treinamento completo, obtenha a previsão do modelo para o conjunto de teste fornecido e submeta ao Kaggle (que detém o gabarito oculto do conjunto de teste), para verificar o desempenho real do seu modelo preditivo.\n - Revise e repita os passos anteriores quantas vezes achar necessário, até ficar satisfeito com o resultado.\n - Escreva um relatório descrevendo todos os passos do seu trabalho (pré-processamento dos dados, seleção dos atributos, modelos preditivos experimentados e seus respectivos ajustes de hiperparâmetros, técnicas de validação utilizadas, resultados intermediários alcançados, etc.).\n - Envie um e-mail para o professor ( heraldo@poli.ufrj.br ) contendo:\n- o seu relatório \n- o seu id no Kaggle \n- o código-fonte utilizado (para possibilitar a reprodução dos resultados relatados)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Avaliação",
      "content": "<h2>\nMétrica de Erro Utilizada\n</h2>\n\n<p>\nAs respostas submetidas ao Kaggle serão avaliadas e comparadas com base na acurácia, que corresponde à razão entre o número de estimativas corretas e o número total de casos de teste a serem estimados:\n\\[ Accuracy =\\frac{estimativas\\ corretas}{total\\ de\\ estimativas} \\]\n<p>\n<h2>\nComposição da Nota do Trabalho\n</h2>\n\n<p>\nO professor atribuirá ao trabalho de cada aluno uma nota na faixa de 0 a 10.\n</p><p>\n\n</p><p>\nA nota do trabalho terá a seguinte composição:\n</p>\n\n- Código fonte: até 5 pontos\n- Relatório: até 2 pontos\n- Desempenho: até 3 pontos\n\n<h2>\nCritério de Pontuação no Quesito Desempenho\n</h2>\n\nO desempenho do modelo de regressão construído pelo aluno será pontuado na faixa de 0 a 3 pontos, de acordo com a posição alcançada no <i>ranking</i> da competição, da seguinte forma:\n\n<p>\n\\[ desempenho = 3 \\cdot \\frac{n-p+1}{n} \\]\n<p>\n\n<p>\n onde:\n</p>\n\n- *n* é o número de alunos que participaram da competição\n- *p* é a posição obtida pelo aluno no *ranking* da competição\n\n<p>\nou seja, o primeiro colocado no <i>ranking</i> ganhará a pontuação máxima de 3 pontos e as posições seguintes terão pontuações decrescentes até o último colocado, que receberá pontuação 3/<i>n</i>.\n </p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Prazo",
      "content": "<h2>\nPrazo\n</h2>\nConforme combinado na nossa live, o horário de encerramento da competição e o prazo limite para entrega do trabalho (código-fonte + relatório) será o mesmo:\n<p>\n<b>08/MAR/2021 06:59:59 (horário de Brasília)</b>\n</p>\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}