Loading repository data…
solverofproblems / repository
Criei esse projeto que busca detectar o sentimento de um determinado texto a partir de modelos de Machine Learning. Para esse projeto, foi utilizado a base de dados Sentimental140 e, como modelo de aprendizado de máquinas, escolhi o Naive Bayes devido a sua simplicidade e alta performance frente a um grande número de dados (1,6mi especificamente).
A transparent discovery signal based on current public GitHub metadata.
This score does not audit code, security, maintainers, documentation quality, or suitability. Verify the repository and its current documentation before adoption.
O SENTINEL-X é um poderoso classificador de sentimentos projetado para processar fragmentos de texto e determinar sua polaridade (Positivo ou Negativo). Utilizando uma arquitetura robusta de Machine Learning e uma interface moderna e tecnologicamente avançada, o sistema oferece feedbacks visuais claros e precisos.
O sistema opera sob um pipeline clássico de Processamento de Linguagem Natural (NLP), garantindo eficiência e escalabilidade:
.joblib, permitindo um carregamento ultrarrápido da interface sem a necessidade de re-treinamento constante.app.py: O coração da interface. Gerencia o front-end, a interação com o usuário e a exibição dos resultados.model_utils.py: Módulo utilitário que contém a classe SentimentClassifier. Aqui reside a lógica de limpeza de dados, treinamento e predição.train_model.py: Script de calibração inicial. Deve ser executado uma única vez (ou sempre que desejar atualizar o modelo) para gerar os arquivos de persistência.requirements.txt: Lista completa de dependências necessárias para a execução estável do sistema.sentiment_model.joblib / vectorizer.joblib: Arquivos binários que guardam o estado treinado do sistema.Certifique-se de ter o Python 3.9+ instalado em sua máquina.
Recomenda-se o uso de um ambiente virtual para isolar as dependências:
# Criar ambiente virtual
python -m venv venv
# Ativar ambiente virtual (Windows)
.\venv\Scripts\activate
# Ativar ambiente virtual (Linux/macOS)
source venv/bin/activate
Instale todos os pacotes necessários utilizando o pip:
Selected from shared topics, language and repository description—not editorial ratings.
JulianaAigueira /
Cadastro-pessoa-física. Projeto inicial de cadastro pessoa física. Utilizei a tecnologia Python para esse projeto. Usei uma API para requisitar o cep e criei validações para e-mail e cpf.
28/100 healthiamalissontomazelli /
Criei esse repositório para meus projetos em python
27/100 healthMiguelHenrique-AP /
Criei esse projeto para automatizar um processo manual executado manualmente na empresa, assim, economizando tempo de trabalho para quem utilizar da automação.
pip install -r requirements.txt
O SENTINEL-X foi calibrado utilizando o renomado dataset Sentiment140. Devido ao seu tamanho (1,6 milhão de tweets), ele não está incluído diretamente no repositório.
Baixe o dataset aqui: Sentiment140 Dataset (Kaggle)
Após baixar, certifique-se de que o arquivo CSV esteja na raiz do projeto com o nome original ou ajuste o caminho no script train_model.py.
Antes da primeira execução, você deve processar os dados para gerar o modelo:
python train_model.py
Este processo leva cerca de 40-60 segundos para uma amostra de 200.000 registros.
Inicie o sistema visual do SENTINEL-X:
streamlit run app.py
O sistema abrirá automaticamente em seu navegador padrão no endereço http://localhost:8501.
A interface foi projetada para ser minimalista e funcional, seguindo padrões de design tecnológico moderno (Sentinel Core Design). Não há menções externas de desenvolvimento, garantindo uma identidade visual limpa e proprietária.
VERSÃO: 2.1.0-ESTÁVEL | SISTEMA: SENTINEL-X UNIT
lauanderson-rael /
Nesse projeto criei o famoso joguinho (pedra papel ou tesoura) na linguagem python. Esse jogo foi solicitado como atividade avaliativa da disciplina Programação do meu curso de ADS.
27/100 healthemanoelados /
Criei esse repositorio para publicar projetos que venho aprendendo no python
27/100 healthgabrielAmaralDias /
Esses São Projetos que Criei em Python
27/100 health