Create oo

oo

@@ -0,0 +1,41 @@
+import pandas as pd from datasets import Dataset
+
+Örnek veri oluşturma
+data = { 'text': [ 'Bu bir örnek metindir.', 'Türkçe doğal dil işleme projesi.', 'Veri bilimi ve makine öğrenmesi.', 'Python programlama dili.' ], 'label': [0, 1, 2, 3] }
+
+DataFrame'e dönüştürme
+df = pd.DataFrame(data)
+
+Hugging Face Dataset'e dönüştürme
+dataset = Dataset.from_pandas(df) import unicodedata
+
+Aksan kaldırma fonksiyonu
+def remove_accents(text): nfkd_form = unicodedata.normalize('NFKD', text) return ''.join([c for c in nfkd_form if not unicodedata.combining(c)])
+
+Veri ön işleme fonksiyonu
+def preprocess_function(examples): examples['text'] = [remove_accents(text) for text in examples['text']] return examples
+
+Veri setine uygulama
+processed_dataset = dataset.map(preprocess_function) from transformers import AutoTokenizer, AutoModelForSequenceClassification, TrainingArguments, Trainer
+
+Model ve tokenizer yükleme
+model_name = "dbmdz/bert-base-turkish-cased" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=4)
+
+Veriyi tokenlaştırma
+def tokenize_function(examples): return tokenizer(examples['text'], padding="max_length", truncation=True)
+
+tokenized_datasets = processed_dataset.map(tokenize_function, batched=True)
+
+Model eğitimi için ayarlar
+training_args = TrainingArguments( output_dir="./results", evaluation_strategy="epoch", learning_rate=2e-5, per_device_train_batch_size=8, per_device_eval_batch_size=8, num_train_epochs=3, weight_decay=0.01, )
+
+Trainer tanımlama
+trainer = Trainer( model=model, args=training_args, train_dataset=tokenized_datasets, eval_dataset=tokenized_datasets, )
+
+Modeli eğitme
+trainer.train()
+
+Eğitim sürecini değerlendirme
+eval_results = trainer.evaluate()
+
+print(f"Değerlendirme Sonuçları: {eval_results}")