THINKMIND/Projeto_NetoIA

Projeto Final — Análise de Sentimentos (Amazon Polarity)

Curso: Machine Learning e Deep Learning Data: 2025-11-12 Grupo: (preencha com os integrantes)

1. Definição do Problema

Classificar avaliações de produtos (Amazon) como positivas ou negativas.

Justificativa: problema real de PLN, com alto valor prático em e-commerce e suporte a decisões.

2. Dataset

• —Fonte: Hugging Face — `amazon_polarity`
• —Tamanho: milhões de exemplos (usamos amostra para execução rápida)
• —Divisão: treino/validação/teste

3. Metodologia

• —Pré-processamento: limpeza básica de texto; TF‑IDF (ML) e tokenização simples (DL)
• —Modelos:
• —Baseline: TF‑IDF + Regressão Logística
• —Comparativo: Random Forest
• —Deep Learning: LSTM (PyTorch)
• —Métricas: Accuracy, F1 (macro/weighted), Matriz de Confusão

4. Resultados (resumo)

Inclua as tabelas e gráficos principais. Compare ML vs. DL e explique as diferenças observadas.

5. Deploy (Hugging Face Spaces)

Arquivos necessários:

• —app.py
• —requirements.txt
• —baseline_pipe.pkl (gerado pelo notebook)

Passo a passo:

1. 1.Crie uma conta em https://huggingface.co (ou use a sua).
2. 2.Clique em Create new Space → Gradio → Python.
3. 3.Faça Upload de app.py, requirements.txt e baseline_pipe.pkl.
4. 4.Aguarde o build do Space e teste a interface.
5. 5.Edite este README com prints da interface funcionando e links.

6. Conclusões

• —Resumo dos achados e justificativas técnicas.
• —Limitações e próximos passos (ex.: transformers, tuning avançado, dados balanceados).

7. Como reproduzir localmente

python -m venv .venv && source .venv/bin/activate  # (Windows: .venv\Scripts\activate)
pip install -r requirements.txt
python app.py

Observação: Este repositório/Space cumpre os entregáveis: notebook, deploy funcional e documentação.