Upload 5 files

.gitattributes

@@ -0,0 +1 @@
+siniflandirma_modeli.pkl filter=lfs diff=lfs merge=lfs -text

Dockerfile

@@ -0,0 +1,23 @@
+# 1. TEMEL İMAJ: Python 3.10 tabanlı hafif bir Linux imajı kullan
+FROM python:3.10-slim
+
+# 2. Gerekli araçları kur: gunicorn (performans için önerilen sunucu)
+# Ayrıca, modeliniz için Sentence-Transformers'ın gerektirdiği bazı sistem kütüphaneleri
+RUN pip install gunicorn
+
+# 3. ÇALIŞMA DİZİNİ: Uygulama dosyalarının bulunacağı klasör
+WORKDIR /app
+
+# 4. DOSYALARI KOPYALA: requirements.txt dosyasını kopyala
+COPY requirements.txt .
+
+# 5. KÜTÜPHANELERİ KUR: Gerekli kütüphaneleri kur
+RUN pip install --no-cache-dir -r requirements.txt
+
+# 6. UYGULAMA DOSYALARINI KOPYALA: Kalan dosyaları kopyala (app.py ve siniflandirma_modeli.pkl)
+COPY . .
+
+# 7. KOMUT: Uygulamayı başlat
+# Hugging Face'de port otomatik olarak $PORT çevresel değişkeni ile atanır.
+# gunicorn kullanarak app.py içindeki Flask uygulamamızı ('app') başlatıyoruz.
+CMD exec gunicorn --bind 0.0.0.0:$PORT --workers 1 --threads 8 --timeout 0 app:app

README.md

@@ -0,0 +1,9 @@
+title: Medium Makale Kategorizasyon API'si emoji: 🧠 colorFrom: indigo colorTo: blue sdk: docker app_port: 80 pinned: false
+Medium Kategorizasyon API'si
+Bu alan, ilaydabeyhan'ın Medium yazılarını Yapay Zeka, Yazılım ve Trendler gibi kategorilere ayırmak için eğitilmiş bir Makine Öğrenmesi (ML) modelini barındırır.
+
+Bu bir HTTP POST API'sidir ve doğrudan Power Automate tarafından kullanılmak üzere tasarlanmıştır.
+
+Endpoint: /kategorize-et
+Giriş: { "baslik": "Makale Başlığı Buraya" }
+Çıkış: { "kategori": "Tahmin Edilen Kategori" }

app.py

@@ -0,0 +1,90 @@
+from flask import Flask, request, jsonify
+import joblib
+import re
+from sentence_transformers import SentenceTransformer
+from threading import Lock
+import os
+
+# Flask uygulamasını başlat (Hugging Face bu uygulamayı otomatik olarak başlatır)
+app = Flask(__name__)
+
+# Model yükleme işlemini sadece bir kez yapmak için global değişkenler
+MODEL_LOADED = False
+MODEL_LOCK = Lock()
+classifier = None
+embedding_model = None
+
+
+# Metin ön işleme fonksiyonu
+def metin_temizle(metin):
+    """Metni küçük harfe dönüştürür, noktalama işaretlerini ve sayıları kaldırır."""
+    metin = metin.lower()
+    metin = re.sub(r'[^\w\s]', '', metin)
+    metin = re.sub(r'\d+', '', metin)
+    return metin
+
+
+# Modeli yükleme fonksiyonu (Sadece bir kez çalışacak)
+def load_models():
+    global classifier, embedding_model, MODEL_LOADED
+
+    # Kilit mekanizmasını kullanarak, modelin birden fazla kez yüklenmesini engelle
+    with MODEL_LOCK:
+        if MODEL_LOADED:
+            return
+
+        print("Modeller ilk kez yükleniyor...")
+        try:
+            # 1. SVC sınıflandırma modelini yükle
+            classifier = joblib.load('siniflandirma_modeli.pkl')
+            print("SVC modeli başarıyla yüklendi.")
+        except FileNotFoundError:
+            # Bu hata olursa, yüklemede bir sorun var demektir.
+            raise FileNotFoundError("siniflandirma_modeli.pkl dosyası bulunamadı.")
+
+        try:
+            # 2. Gömme modelini doğrudan internetten indir (Distiluse modeli)
+            embedding_model = SentenceTransformer('distiluse-base-multilingual-cased-v2')
+            print("Sentence-Transformer modeli başarıyla indirildi/yüklendi.")
+        except Exception as e:
+            print(f"HATA: Sentence-Transformer modeli yüklenirken bir sorun oluştu: {e}")
+            raise Exception(f"Model yükleme hatası: {e}")
+
+        MODEL_LOADED = True
+        print("Model yükleme tamamlandı. API hazır.")
+
+
+# API'nin makale başlığını alıp kategoriyi tahmin edeceği uç nokta (endpoint)
+@app.route('/kategorize-et', methods=['POST'])
+def kategorize_et_api():
+    """Gelen HTTP isteğini işler, makale başlığını kategorize eder ve sonucu JSON olarak döndürür."""
+
+    # Modelleri yükle (Zaten yüklüyse bu adım atlanır)
+    load_models()
+
+    # Gelen JSON verisini al
+    data = request.get_json(silent=True)
+
+    if not data or 'baslik' not in data:
+        return jsonify({"hata": "Makale başlığı (baslik) JSON gövdesinde bulunamadı."}), 400
+
+    makale_basligi = data.get('baslik', '')
+
+    temizlenmis_baslik = metin_temizle(makale_basligi)
+
+    # Başlığı vektöre dönüştür
+    tahmin_vektoru = embedding_model.encode([temizlenmis_baslik])
+
+    # Sınıflandırma modelini kullanarak kategoriyi tahmin et
+    tahmin_sonucu = classifier.predict(tahmin_vektoru)[0]
+
+    # Sonucu JSON formatında döndür
+    return jsonify({"kategori": tahmin_sonucu})
+
+
+# Uygulama çalıştırma kodu. Hugging Face'de bu satır genellikle gerekmez,
+# ancak dosyamızı daha standart tutmak için bırakabiliriz.
+if __name__ == '__main__':
+    # Hugging Face'de port otomatik olarak verilir. Lokal test için 7860 kullanıyoruz
+    port = int(os.environ.get('PORT', 7860))
+    app.run(host='0.0.0.0', port=port)

requirements.txt

@@ -0,0 +1,4 @@
+Flask
+joblib
+sentence-transformers
+scikit-learn

siniflandirma_modeli.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6ddfe1c0cf8264546ef68bc6578bd1cffe1ab98e2d6e7f59d4b02de7993f91d9
+size 689807