{
  "fetched_at": "2026-10-19T19:10:12Z",
  "source_url": "https://www.kaggle.com/competitions/enap-analise-de-sentimentos-iii/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Existem dois conjuntos de dados disponíveis. Um para treinamento e outro para teste.\n\n*   **train.csv** - conjunto de dados de treinamento.\n*   **test.csv** - conjunto de dados de teste.\n\nO conjunto de dados de treinamento contém 70 mil amostras, cada uma delas com os seguintes atributos:\n\n- **ID**: O ID do tweet.\n- **text**: o texto do tweet.\n- **target**: a polaridade do tweet (0 = negativo, 4 = positivo).\n\nO conjunto de dados de teste contém 1 mil amostras, cada uma delas com os seguintes atributos:\n\n- **ID**: O ID do tweet.\n- **text**: o texto do tweet.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Este problema é uma amostra do conjunto de dados [sentiment140](https://www.kaggle.com/datasets/kazanova/sentiment140/). O conjunto de dados é formado por tweets extraídos usando a API do Twitter. Cada tweet foi anotado com relação à sua polaridade (0 = negativo, 4 = positivo).",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Conjunto de dados",
      "content": "Existem dois conjuntos de dados disponíveis. Um para treinamento e outro para teste.\n\n*   **train.csv** - conjunto de dados de treinamento.\n*   **test.csv** - conjunto de dados de teste.\n\nO conjunto de dados de treinamento contém 70 mil amostras, cada uma delas com os seguintes atributos:\n\n- **ID**: O ID do tweet.\n- **text**: o texto do tweet.\n- **target**: a polaridade do tweet (0 = negativo, 4 = positivo).\n\nO conjunto de dados de teste contém 1 mil amostras, cada uma delas com os seguintes atributos:\n\n- **ID**: O ID do tweet.\n- **text**: o texto do tweet.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "Não trapaceie!\nAplique-se!\nDivirta-se!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "Neste exercício de análise de sentimentos, o objetivo é praticar conceitos de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina (ML) usando Modelos de Linguagem Grandes (LLMs). Esses modelos podem ser acessados por meio das bibliotecas `LangChain` e `Ollama`. O objetivo é aproveitar LLMs treinados pela comunidade em diferentes domínios diferentes em dados textuais para a classificação de sentimentos. Após a inferência do modelo nos dados de teste, avaliaremos seu desempenho usando métricas apropriadas, como acurácia. **Você pode construir um RAG, fazer o fine-tuning de um modelo específico ou simplesmente combinar diferentes LLMs para a classificação!!!** ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}