Mazars cherche à exploiter l’analyse de sentiments appliquée aux tweets afin de mieux comprendre l’image perçue de l’entreprise sur le marché et auprès de ses clients. L’objectif est d’identifier, à travers les contenus partagés sur Twitter, les tendances émotionnellesassociées à la marque, qu’elles soient positives, neutres ou négatives, et ainsi obtenir unevue d’ensemble de l’opinion publique à son égard.
Comment mettre en place un modèle (ou plusieurs) permettant de transformer desdonnées issues de X en indicateurs sentimentaux pour prédire une analyse sentimentaled’une base de tweets ?
Ce projet est composé de trois parties principales :
- Scraping : récupération automatisée de données sur X (voir Scraper/README.md).
- Étiquetage : annotation et préparation des données pour l'entraînement des modèles.
- Modèles : entraînement et utilisation de modèles de machine learning pour l'analyse des données.
Scraper/: scripts et outils pour la collecte des données.etiquetage/: scripts pour l'annotation et la préparation des données.modeles/: scripts pour l'entraînement et l'évaluation des modèles.data/: A créer pour y mettre les données.
Voici les principales bibliothèques utilisées dans ce projet :
- pandas
- scikit-learn (sklearn)
- joblib
- nltk
- spaCy
- spellchecker (pyspellchecker)
- matplotlib
- seaborn
- collections
- re (Expressions Régulières)
Pour installer toutes les dépendances nécessaires, exécutez :
pip install pandas scikit-learn joblib nltk spacy pyspellchecker matplotlib seaborn