ATV projeto GUIADO

exercicios/para-casa/README.md

@@ -1,37 +1,32 @@
-# Exercício de Casa 🏠 
-
-## Projeto II
-
-Explicação do exercício:
-- Use o dataset proposto em aula ou busque um de sua preferência no [Kaggle](https://www.kaggle.com/).<br>
-- Faça uma introdução explicando os dados e por que você escolheu o dataset.<br>
-- Fale sobre o motivo de escolha dos dados: pq esses dados me chamaram a atenção ao ponto de achar que teríamos bons insights? O que eu vi de relevante nesses dados?
-- Faça a instalação das bibliotecas necessárias para tratamento de dados, sendo necessário usar pandas e numpy.<br>
-- Utilize a biblioteca Matplotlib ou Seaborn para construir novos gráficos.<br>
-- Crie visualizações de gráficos com pandas, sendo no mínimo 4 gráficos.<br>
-- Faça  consultas em sql.<br>
-- Utilize a biblioteca Matplotlib ou Seaborn para construir novos gráficos.<br>
-- Faça um teste de hipótese.<br> 
-
-Arquivos que devem ser submetidos:
-
-- arquivo.csv (ou similar: json, exe, etc) utilizado
-- arquivo .db com entradas de interesse
-- arquivo .ipynb com relatório contendo gráficos e insights sobre dados utilizados.
-- código de criação e edição em sql (.py ou .ipynb)
-- readme.md com todas a documentação das analises.
-
-## Extra
-
-Crie uma função que, a partir do dataset escolhido, crie um DataFrame, faça o tratamento dos dados e, por fim, exiba uma visualização gráfica.
-Crie duas amostras e faça consultas com elas usando a operação merge.
-
-Terminou o exercício? Dá uma olhada nessa checklist e confere se tá tudo certinho, combinado?!
-
-- [ ] Fiz o fork do repositório.
-- [ ] Clonei o fork na minha máquina (`git clone url-do-meu-fork`).
-- [ ] Resolvi o exercício.
-- [ ] Adicionei as mudanças. (`git add .` para adicionar todos os arquivos, ou `git add nome_do_arquivo` para adicionar um arquivo específico)
-- [ ] Commitei a cada mudança significativa ou na finalização do exercício (`git commit -m "Mensagem do commit"`)
-- [ ] Pushei os commits na minha branch (`git push origin nome-da-branch`)
-- [ ] Criei um Pull Request seguindo as orientaçoes que estao nesse [documento](https://github.com/mflilian/repo-example/blob/main/exercicios/para-casa/instrucoes-pull-request.md).
+# Social Media Sentiments Analysis Dataset
+
+## Overview
+
+Este dataset contém informações relacionadas à análise de sentimentos em posts de mídias sociais. Ele foi coletado e preparado para ajudar pesquisadores e desenvolvedores a criar e testar modelos de aprendizado de máquina que analisam sentimentos de texto, categorizando-os como positivos, negativos ou neutros.
+
+## Conteúdo do Dataset
+
+O dataset é composto por diversas colunas, cada uma representando uma característica específica dos posts de mídias sociais. Abaixo está a descrição detalhada de cada coluna:
+
+- **Post ID**: Um identificador único para cada post.
+
+- **Text**: O conteúdo textual do post.
+
+- Sentiment
+
+  : O sentimento associado ao post, categorizado como:
+
+  - `Positive`: Postagem com conotação positiva.
+  - `Negative`: Postagem com conotação negativa.
+  - `Neutral`: Postagem com conotação neutra.
+
+- **Date**: A data em que o post foi publicado.
+
+- **Platform**: A plataforma de mídia social onde o post foi encontrado (ex: Twitter, Facebook, Instagram).
+
+- **Likes**: O número de curtidas que o post recebeu.
+
+- **Shares**: O número de vezes que o post foi compartilhado.
+
+- **Comments**: O número de comentários que o post recebeu.
+