Mas afinal, para que serve Análise de Sentimentos? - Python Brasil 2018

Temos milhares de opiniões circulando nas redes sociais. Podemos utilizá-las para saber as pessoas que estão secando a seleção na copa, quem vai votar no Lula nas próximas eleições e quem curtiu ou não a compra do GitHub pela Microsoft.
Nessa talk vou abordar como utilizar análise de sentimentos em redes sociais para entender os sentimentos e propensões das pessoas e como utilizar essa informação.

Vídeo: https://youtu.be/JMQaFBYNLno

Transcript

1. MAS AFINAL, PARA QUE SERVE ANÁLISE DE SENTIMENTOS?
2. 2 ⊸ Deva na ThoughtWorks; ⊸ Pythonista; ⊸ Estudante de Data Science; ⊸ Treinadora DG, RR, AP; ⊸ Cinéfila; BETINA COSTA
3. Geral ⊸ Atitudes; ⊸ Emoções; ⊸ Opiniões; ⊸ Impressões subjetivas; O que é Sentimento? Em Análise de Sentimentos ⊸ Emoção presente em uma mensagem; 3
4. 1. O QUE É ANÁLISE DE SENTIMENTOS? 4
5. Entidades de Interesse ⊸ Pessoas; ⊸ Empresas; ⊸ Produtos; ⊸ Decisões ou Ações; 5
6. Perguntas ⊸ Qual a recepção de um produto? ⊸ Como as pessoas receberam uma campanha de marketing? ⊸ Qual a percepção dos eleitores sobre um candidato? 6
7. Outros usos ⊸ Extração de informações; ⊸ Resposta a Perguntas; ⊸ Identificar classificação de vídeos; ⊸ Identificar viés em notícias; 7
8. 8 RESUMINDO
9. 2. COMO FAZER? 9
10. Polaridade ⊸ Black Mirror é ótimo! -> positivo ⊸ Black Mirror é péssimo -> negativo ⊸ Black Mirror é uma série -> neutro 10
11. Sentenças Subjetivas. ⊸ Sentimentos; ⊸ Opiniões; Subjetividade x Objetividade Sentenças Objetivas ⊸ Informações; ⊸ Fatos; 11
12. 3. ETAPAS 12
13. Coleta de Conteúdo ⊸ Busca em fontes; ⊸ Separar fatos de opiniões; ⊸ Web crawlers; 13
14. Classificação ⊸ Descobrir a polaridade de uma opinião; ⊸ Técnicas Supervisionadas; ⊸ Técnicas não supervisionadas; 14
15. Machine Learning ⊸ Fase de treinamento; ⊸ Amostras previamente classificadas; ⊸ Requer uma amostragem substancial; 15
16. Machine Learning ⊸ Alta subjetividade; ⊸ Especialistas para classificar diversas sentenças; ⊸ Restrito ao contexto; 16
17. Técnicas não Supervisionadas ⊸ Não requerem treinamento; ⊸ Não é restrito ao contexto; 17
18. Abordagens Léxicas “Você é tão amorosa” Positivo! 18 Amor (+) Ódio (-) Gostoso (+) Legal (+) Infeliz (-) Cansado (-) Verdade (+) Entrada Dicionário Léxico Saída
19. Sumarização 19 ⊸ Apresentação dos Resultados; ⊸ Textual; ⊸ Gráfica;
20. LIVE AT TDC POA! 20
21. Obrigada! Perguntas? @ngasonicunicorn fb.com/error404not betinacosta 21