En los últimos años, las compras en línea han aumentado en popularidad, con las reseñas de los clientes convirtiéndose en un aspecto crucial del proceso de toma de decisiones. Las reseñas no solo ayudan a los posibles clientes a tomar decisiones informadas, sino que también proporcionan a las empresas comentarios valiosos y construyen confianza. En este estudio, realizamos un análisis exhaustivo del conjunto de datos de reseñas de Amazon, que incluye varias categorías de productos. Nuestro objetivo principal fue clasificar con precisión los sentimientos utilizando técnicas de procesamiento de lenguaje natural, aprendizaje automático, aprendizaje conjunto y aprendizaje profundo. Nuestro flujo de trabajo de investigación abarcó varios pasos cruciales. Exploramos los procedimientos de recopilación de datos; pasos de preprocesamiento, incluida la normalización y tokenización; y extracción de características, utilizando los métodos de Bolsa de Palabras y TF-IDF. Realizamos experimentos empleando una variedad de algoritmos de aprendizaje automático, incluyendo Naive Bayes Multinomial, Random Forest, Árbol de Decisión y Regresión Logística. Además, utilizamos Bagging como técnica de aprendizaje conjunto. Además, exploramos algoritmos basados en aprendizaje profundo, como CNNs, LSTM Bidireccional y modelos basados en transformadores, como XLNet y BERT. Nuestras evaluaciones exhaustivas, utilizando métricas como precisión, recall y puntuación F1, revelaron que el algoritmo BERT superó a los demás, logrando una tasa de precisión impresionante del 89%. Esta investigación proporciona ideas valiosas sobre el análisis de sentimientos de las reseñas de Amazon, ayudando tanto a los consumidores como a las empresas a tomar decisiones informadas y mejorar la calidad de productos y servicios.