Projeto Final: Criando um Classificador de Fake News com Interface Web em Python (Streamlit)

Fala Dev! Chegamos ao fim do módulo Python + IA: Fundamentos e Projetos Práticos. Hoje você vai criar o seu primeiro aplicativo de IA com interface web real, executável no seu navegador.

Vamos usar o Streamlit, uma biblioteca que transforma scripts Python em aplicações web interativas com apenas uma linha de comando.

🧠 O que é o Streamlit?

📌 Streamlit é uma ferramenta que permite criar apps web com Python puro, ideal para protótipos de IA, visualizações de dados, dashboards e experimentos de machine learning.

✅ Por que usar Streamlit?

• Interface pronta sem precisar saber HTML/CSS
• Fácil de usar: pip install streamlit
• Executa localmente com streamlit run arquivo.py
• Ótimo para demonstrações, testes e produtos mínimos viáveis (MVP)

🔧 O que vamos construir?

Um aplicativo web que:

✅ Permite digitar uma notícia
✅ Classifica como FAKE ou REAL
✅ Mostra o nível de confiança da IA
✅ Exibe o histórico das análises feitas durante a sessão

🧰 Tecnologias utilizadas

• pandas — para manipular dados
• scikit-learn — para treinar o modelo IA
• TfidfVectorizer — para transformar texto em números
• LogisticRegression — classificador de texto
• Streamlit — interface web interativa

📦 Instalação dos pacotes necessários

Execute no terminal:

pip install pandas scikit-learn streamlit

✍️ Código Final do Projeto — dia30.py

import streamlit as st
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

# Carrega o dataset
df = pd.read_csv("fake_news_dataset_v2.csv")
df = df[['text', 'label']].dropna()

# Treinamento
vectorizer = TfidfVectorizer(stop_words='english', max_df=0.7)
X = vectorizer.fit_transform(df['text'])
y = df['label']
model = LogisticRegression()
model.fit(X, y)

# Interface
st.title("🧠 Classificador de Fake News com IA")
st.write("Digite uma notícia e descubra se ela é FAKE ou REAL.")

# Área de texto
noticia = st.text_area("📝 Sua notícia", height=150)

# Inicializa histórico na sessão
if 'historico' not in st.session_state:
    st.session_state.historico = []

# Botão de classificação
if st.button("Classificar"):
    if noticia.strip():
        entrada_vec = vectorizer.transform([noticia])
        pred = model.predict(entrada_vec)[0]
        proba = model.predict_proba(entrada_vec).max() * 100

        resultado = {
            "Notícia": noticia,
            "Classificação": pred,
            "Confiança (%)": round(proba, 2)
        }

        st.session_state.historico.insert(0, resultado)
        st.success(f"🧾 Resultado: **{pred}** ({round(proba, 2)}% de confiança)")
    else:
        st.warning("Digite uma notícia antes de classificar.")

# Histórico
if st.session_state.historico:
    st.markdown("### 🕘 Histórico de Classificações")
    st.dataframe(pd.DataFrame(st.session_state.historico))

▶️ Como rodar o projeto corretamente

⚠️ Não execute com python dia30.py. Isso não vai abrir a interface.

✅ Use o comando correto:

streamlit run dia30.py

Isso abrirá automaticamente no seu navegador em:

http://localhost:8501

🧠 O que você aprendeu hoje

• Como treinar um modelo IA com scikit-learn
• Como usar Streamlit para construir um app web sem frameworks complexos
• Como gerar resultados interativos e em tempo real para usuários

🎯 Desafio Final

• Publique seu app usando Streamlit Cloud
• Exporte o histórico como CSV
• Adicione barra lateral com configurações (ex: modelo, idioma, tema escuro)