{
  "fetched_at": "2026-10-19T20:23:13Z",
  "source_url": "https://www.kaggle.com/competitions/enap-anlise-de-sentimentos-ii/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 30 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 30 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 pré-treinados do [Hugging Face](https://huggingface.co/) 🤗. O objetivo é aproveitar modelos treinados pela comunidade em diferentes domínios diferentes em dados textuais. Vamos utilizar as funcionalidades de pré-processamento de texto fornecidas pelo 🤗, como tokenização e remoção de stopwords. Isso nos ajudará a preparar os dados para entrada nos modelos pré-treinados. Na etapa de modelagem, recomendo a utilização das classes `Pipeline` e `AutoModel`, além de realizar o ajuste fino de algum modelo específico usando a classe `Trainer` do 🤗. Após a inferência do modelo nos dados de teste, avaliaremos seu desempenho usando métricas apropriadas, como acurácia. Isso nos ajudará a entender o quão bem o modelo está generalizando para dados não vistos e a identificar áreas de melhoria. **Utilize modelos prontos sempre que possível!** ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}