Разработка модели машинного обучения для классификации текстов

Задание состоит из нескольких частей:

Обучить модель машинного обучения на Python для решения задачи классификации новостных русскоязычных текстов по темам: экономика, политика, социальная сфера, здравоохранение, образование, экология, либо отнесение к категории "не заданная категория". Для классификации должен использоваться метод наивного байеса. Обучающую выборку я предоставлю.

Обучить модель машинного обучения на Python для решения задачи классификации русскоязычных комментариев по тональности: позитивная, негативная, нейтральная. Метод, используемый для классификации не принципиален, но необходимо указать его в комментариях к коду.

Обе модели должны сохранять текущее состояние, т.е. не обучаться с нуля при каждом запуске скрипта, а использовать уже имеющиеся знания для классификации.

Необходимо парсить посты и комментарии к ним из групп, начиная с 01.01.2024. Сообщества:

https://vk.com/mos

https://vk.com/m24

При запуске скрипта должны происходить следующие действия:

1)Создание .csv файла, который должен содержать в себе поля:

Post_ID – уникальный идентификатор каждой записи в таблице; Post_text – текстовое содержание поста;

Group – название группы, из которой был взят пост;

Post_date – дата публикации поста в формате дд.мм.гггг;

Post_topic – тема публикации – поле заполняется путем применения обученной ранее модели;

ERpost – коэффициент вовлеченности в обсуждение поста, который рассчитывается по формуле:

ERpost = (количество реакций на публикации + количество комментариев на публикации + количество репостов на публикации)/количество просмотров публикации.

Comment_text – текстовое содержание комментария к конкретной публикации;

Comment_tonality – поле, содержащее в себе оценку тональности комментария – поле заполняется путем применения обученной ранее модели;

Age – возраст автора комментария;

Gender – пол автора комментария.

Необходимо предоставить исходные файлы с кодом, весь код должен быть написан в объектно-ориентированном стиле и разбит на файлы для лучшей читаемости, должны быть соблюдены ограничения по количеству запросов к API вконтакте. При каждом запуске скрипта парсинг должен начинаться с последнего записанного в файле поста (т.е. последний пост пропускается и в файл записывается следующий за ним пост), в случае удаления со стены группы последнего поста - парсить начиная с последнего неудаленного поста. В случае, если какая-либо информация в профиле автора комментария недоступна/неуказана - оставить поле пустым.