dc.contributor.advisor | Wojciechowski, Jaime, 1965- | pt_BR |
dc.contributor.other | Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada | pt_BR |
dc.creator | Evangelista, Josué Leal | pt_BR |
dc.date.accessioned | 2023-04-17T13:00:11Z | |
dc.date.available | 2023-04-17T13:00:11Z | |
dc.date.issued | 2022 | pt_BR |
dc.identifier.uri | https://hdl.handle.net/1884/82053 | |
dc.description | Orientador: Prof. Dr. Jaime Wojciechowski | pt_BR |
dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada. | pt_BR |
dc.description | Inclui referências: p. 11-12 | pt_BR |
dc.description.abstract | Resumo: O estudo apresentado neste documento trata da técnica de aprendizado de máquina supervisionada aplicada a análise de sentimento. Essa técnica foi utilizada para predição de sentimentos em avaliações textuais de usuários de aplicativos do Google Play. Para isso, foram usados para previsão classificadores como o Decision Tree, K-Nearest Neighbor (K-NN), Nayve Bayes e o Extreme Gradient Boosting (XGBoost). Esses classificadores foram aplicados em dois datasets: um com saída de duas classes (binário) e outro de três classes (ternário). Além disso, utilizou-se em cada classificação a vetorização Count Vectorizer (CV) e a Term Frequency-Inverse Document Frequency (TF-IDF). A linguagem Python com algumas de suas bibliotecas e módulos foi utilizada nas etapas do trabalho. Os melhores resultados na classificação binária foram obtidos pelo modelo XGBoost com acurácias de 0,9380 com a vetorização CV e 0,9382 com a TF-IDF. Em segundo lugar, o Naive Bayes com acurácias de 0,9312 com a vetorização CV e 0,9264 com a TF-IDF. Na classificação multiclasse, manteve-se as colocações, uma vez que o XGBoost obteve acurácias de 0,7281 com a vetorização CV e 0,728 com a TF-IDF e o Naive Bayes alcançou acurácias de 0,7081 e 0,7078 com a vetorização CV e TF-IDF respectivamente. | pt_BR |
dc.format.extent | 1 recurso online : PDF. | pt_BR |
dc.format.mimetype | application/pdf | pt_BR |
dc.language | Português | pt_BR |
dc.subject | Inteligência artificial | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.subject | Aplicativos - Recursos eletrônicos de informação | pt_BR |
dc.subject | Tecnologia - Avaliação | pt_BR |
dc.title | Aprendizado de máquina aplicado a análise de sentimento em avaliações de usuários de aplicativos do Google Play | pt_BR |
dc.type | TCC Especialização Digital | pt_BR |