IA: análise de sentimento
Este curso trata da lógica da classificação de sentimento e de tom. Os exemplos de feedback são inventados, com o model Community::Comment do app como cenário. Um classificador escolhe um rótulo de um conjunto fixo definido antes. A pontuação de confiança mede a força do sinal do classificador, sem prometer acerto. As aulas mostram por que negação e sarcasmo quebram a busca por palavras-chave e os ganhos medidos pelo guia da Anthropic com exemplos recuperados e chain-of-thought. Um classificador ingênuo baseado em regras é construído em Ruby puro e cobrado num desafio.
O que você vai aprender
- ✓Onde o Community::Comment guarda o texto e como lê-lo como texto puro
- ✓Por que a saída de um classificador é um rótulo de um conjunto fixo
- ✓O que uma pontuação de confiança informa e como ela ajuda na triagem
- ✓Como negação e sarcasmo quebram a busca por palavras-chave
- ✓Como exemplos recuperados e chain-of-thought elevaram a precisão no guia de classificação da Anthropic
- ✓Como construir em Ruby puro um classificador de sentimento baseado em regras
Community::Comment: onde o tom importaria
app/models/community/comment.rb sustenta todo comentário que um estudante deixa numa aula. Aqui está o topo da classe, sem o helper deleted? e sem os dois métodos privados de validação:
Ler a aula completa grátis →Currículo
7 aulasCommunity::Comment: onde o tom importaria
Apresenta o Community::Comment, onde fica o texto dos comentários, e por que ele serve a um classificador de tom.
O que um classificador produz: um rótulo de um conjunto fixo
Um classificador escolhe um rótulo de um conjunto fixo de categorias definido antes por uma pessoa.
Pontuações de confiança, e o que elas não prometem
A pontuação de confiança descreve a força do sinal do próprio classificador e serve para triagem.
Sarcasmo e negação quebram o casamento simples de palavras-chave
Comentários inventados mostram como negação e sarcasmo enganam a contagem de palavras-chave, e só a negação tem sinal mecânico.
Exemplos recuperados e chain-of-thought elevam a precisão
O guia da Anthropic mede a precisão subindo de 74% para 94% com exemplos recuperados e 97% somando chain-of-thought.
Um classificador baseado em regras em Ruby, ingênuo de propósito
Constrói em Ruby puro um classificador que pontua palavras-chave, inverte após negações e gera rótulo e confiança.
Juntando tudo: o que um classificador de palavras-chave faz e não faz
Revisa o que o classificador de palavras-chave trata e o que deixa de fora, e apresenta o desafio classify_feedback.