# 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`](https://huggingface.co/datasets/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. Crie uma conta em https://huggingface.co (ou use a sua).  
2. Clique em **Create new Space** → **Gradio** → **Python**.  
3. Faça **Upload** de `app.py`, `requirements.txt` e `baseline_pipe.pkl`.  
4. Aguarde o build do Space e teste a interface.  
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
```bash
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.