Update introdution.md

docs/topic_modeling/introdution.md

@@ -16,7 +16,7 @@ Vamos ver alguns exemplos de como usar:
 
 ## TopicModeling: Classificar um texto
 
-```python3
+```python
 m = TopicModeling()
 r = m.rate_text("o ginásio da Escola Maria Honoriana Santiago está com obras paradas desde do início do ano.")
 
@@ -26,41 +26,41 @@ print("Tópico:", m.get_topic(r[0][0]))
 
 Saídas para esse exemplo:
 
-```python3
+```python
 Tópicos e probabilidades: [(2, 0.80940521), (0, 0.064506963), (1, 0.063506372), (3, 0.062581457)]
 Tópico: obras
 ```
 
 ## TopicModeling: Imprimir tópicos
 
-```python3
+```python
 m = TopicModeling()
 print(m.print_topics())
 ```
 
 Saída para esse exemplo:
 
-```python3
+```python
 {0: 'saneamento', 1: 'trânsito', 2: 'obras', 3: 'diversos'}
 ```
 
 ## TopicModeling: Imprimir palavras chaves e seus pesos em cada tópico
 
-```python3
+```python
 m = TopicModeling()
 
 print(m.print_keywords(quant_max_palavras=2))
 ```
 
 Saída para esse exemplo:
 
-```python3
+```python
 [(0, '0.016*"água" + 0.015*"esgoto"'), (1, '0.025*"velocidad" + 0.024*"faixa"'), (2, '0.012*"escola" + 0.011*"obra"'), (3, '0.034*"estrada" + 0.015*"féria"')]
 ```
 
 ## TopicModeling: Mudar representatividade do nomes dos tópicos
 
-```python3
+```python
 m = TopicModeling()
 
 m.represent_topics([0, 1, 2, 3], ['Saneamento', 'Trânsito','Obras', 'Diversos'])
@@ -69,20 +69,20 @@ print(m.print_topics())
 
 Saída para esse exemplo:
 
-```python3
+```python
 {0: 'Saneamento', 1: 'Trânsito', 2: 'Obras', 3: 'Diversos'}
 ```
 
 ## TopicModeling: Imprimir um tópico por meio do id dele
 
-```python3
+```python
 m = TopicModeling()
 
 print(m.get_topic(id_topic=1))
 ```
 
 Saída para esse exemplo:
 
-```python3
+```python
 Tópico com id = 1: trânsito
-```
+```