Análise de Sentimentos com IA: Classificando Emoções em Textos com Python

Hoje você vai aprender a usar modelos de Inteligência Artificial para classificar sentimentos em textos, algo amplamente utilizado em redes sociais, feedback de clientes e análises de produtos.

Vamos usar a biblioteca Transformers da Hugging Face, que oferece modelos pré-treinados prontos para tarefas como essa.

---

🤖 O que é Análise de Sentimentos?

A análise de sentimentos é uma aplicação de Processamento de Linguagem Natural (PLN) que tenta detectar emoções ou opiniões expressas em um texto.

Ela é usada para:

• Avaliar comentários em redes sociais ou avaliações de produtos
• Automatizar respostas a clientes satisfeitos ou insatisfeitos
• Detectar opiniões negativas em massa para ações rápidas

---

🧰 O que vamos usar

• Python 3.10+
• Biblioteca transformers
• Modelo pré-treinado: distilbert-base-uncased-finetuned-sst-2-english

---

🛠️ Como instalar a biblioteca

pip install transformers

Se for seu primeiro uso, talvez precise instalar o backend:

pip install torch

---

🧪 Código: Detectando Sentimentos

from transformers import pipeline

# Cria o classificador
classificador = pipeline("sentiment-analysis")

# Frase para testar
frase = "Eu realmente amei o show ontem!"

# Análise
resultado = classificador(frase)[0]

# Resultado
print(f"Sentimento: {resultado['label']}, Confiança: {round(resultado['score'], 2)}")

---

🧠 Explicando

• pipeline("sentiment-analysis"): cria um pipeline pronto para análise de sentimentos
• resultado['label']: retorna se o texto é “POSITIVE” ou “NEGATIVE”
• resultado['score']: valor de confiança entre 0 e 1

---

📈 Resultado esperado

Sentimento: POSITIVE, Confiança: 0.99

---

🎯 Desafio do Dia

Crie um script que:

• Receba uma lista de frases do usuário
• Classifique o sentimento de cada uma
• Mostre uma contagem final de quantas foram positivas e negativas

---

💡 Dica extra

Quer analisar textos em português?

Use o modelo nlptown/bert-base-multilingual-uncased-sentiment ou explore outros em huggingface.co/models.

pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")

---

🧵 Conclusão

Com poucas linhas, você já consegue criar um analisador emocional que pode ser embutido em dashboards, sistemas de atendimento, ou ferramentas internas de análise de reputação.

Se quiser ir além, posso te acompanhar com mentoria prática ou te ajudar a construir projetos reais com Python + IA.