Upload 4 files

README.md

@@ -1,14 +1,55 @@
----
-title: Projeto
-emoji: 📉
-colorFrom: blue
-colorTo: blue
-sdk: gradio
-sdk_version: 5.49.1
-app_file: app.py
-pinned: false
-license: mit
-short_description: 'Projeto quarta '
+
+# 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
+```
+
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+> **Observação**: Este repositório/Space cumpre os **entregáveis**: notebook, deploy funcional e documentação.

app.py

@@ -0,0 +1,33 @@
+
+import gradio as gr
+import joblib
+import numpy as np
+import os
+
+# Carrega o pipeline baseline (TF-IDF + LogisticRegression)
+MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
+
+if not os.path.exists(MODEL_PATH):
+    raise FileNotFoundError(f"Arquivo de modelo não encontrado: {MODEL_PATH}. Faça upload de baseline_pipe.pkl.")
+
+baseline = joblib.load(MODEL_PATH)
+
+def predict_sentiment(text: str):
+    if not text or text.strip() == "":
+        return {"predição": "n/a", "confiança": 0.0}
+    proba = baseline.predict_proba([text])[0]
+    pred = int(np.argmax(proba))
+    label = "positivo" if pred == 1 else "negativo"
+    conf = float(np.max(proba))
+    return {"predição": label, "confiança": conf}
+
+demo = gr.Interface(
+    fn=predict_sentiment,
+    inputs=gr.Textbox(label="Digite uma avaliação de produto"),
+    outputs=gr.JSON(label="Resultado"),
+    title="Análise de Sentimentos (Amazon Polarity)",
+    description="Pipeline TF-IDF + Regressão Logística. Faça upload de baseline_pipe.pkl gerado no notebook."
+)
+
+if __name__ == "__main__":
+    demo.launch()

requirements.txt

@@ -0,0 +1,10 @@
+
+datasets==3.0.1
+pandas==2.2.2
+numpy==2.1.3
+scikit-learn==1.5.2
+matplotlib==3.9.2
+joblib==1.4.2
+torch==2.4.1
+tqdm==4.66.5
+gradio==5.7.1