Sentiments Twitter

Présentation

Objectif principal : L’objectif de Sentiments Twitter est d’apporter une réponse claire autour de la résolution de besoins métier concrets. Le projet met l’accent sur transformer un besoin clair en solution stable et maintenable tout en assurant une base technique lisible, facile à maintenir et prête à évoluer.

Technologies utilisées : Le socle technique repose sur Python, NLTK, Pandas, Matplotlib. Ces choix permettent de maintenir un bon équilibre entre performance, stabilité et rapidité de développement, tout en facilitant la structuration du code et la séparation des responsabilités.

Fonctionnalités clés : Les fonctionnalités clés couvrent l’ensemble du parcours utilisateur avec des flux simples et des validations cohérentes, notamment : parcours cohérents, validations, règles métier et retours clairs. L’ergonomie et la clarté des retours système ont été priorisées pour rendre l’usage immédiat et fiable.

Livrables attendus : Les livrables attendus incluent un périmètre fonctionnel stabilisé, un prototype exploitable et un code organisé, complété par une documentation d’installation et d’usage. Selon le contexte, le projet prévoit documentation, scripts d’installation et scénarios de test afin de sécuriser la livraison.

Calendrier prévisionnel : Le calendrier prévisionnel suit une progression en phases : cadrage des besoins, conception, développement itératif, puis validation et corrections. Une période dédiée à l’optimisation (performance, ergonomie, fiabilité) finalise la livraison.

Parties prenantes & critères de succès : Les parties prenantes regroupent utilisateurs finaux, encadrants et commanditaires ainsi que l’équipe de réalisation. Les critères de succès portent sur robustesse, qualité perçue et capacité d’évolution, avec une attention particulière à la qualité du code, à la stabilité en production et à la satisfaction d’usage.

Le Défi

Gérer le flux massif de données de l'API Twitter et traiter le sarcasme ou l'argot qui faussent souvent les modèles classiques.

La Solution

Mise en œuvre d'un pipeline avec TextBlob pour l'analyse de polarité et NLTK pour le nettoyage (stop-words, tokenisation).

Architecture Technique

Résultats & Apprentissages

85% de précision sur un jeu de test de 10 000 tweets avec une visualisation claire des tendances.

Évolutions Futures

Intégration de modèles de Deep Learning (BERT) pour une meilleure détection des nuances.