EN: Advanced AI system for automatic classification of Turkish technical support and customer service texts. Combines deep learning and machine learning techniques to analyze technical issues and support requests in business development systems.
TR: Türkçe teknik destek ve müşteri hizmetleri metinlerini otomatik olarak sınıflandıran gelişmiş yapay zeka sistemi. İş geliştirme sistemlerdeki teknik sorunları ve destek taleplerini analiz etmek için derin öğrenme ve makine öğrenmesi tekniklerini birleştirir.
EN: Presents an original approach to solve text classification problems in technical support systems. Achieves high success rates in Turkish text classification through hybrid use of deep learning and traditional machine learning methods.
TR: Teknik destek sistemlerindeki metin sınıflandırma problemlerini çözmek için özgün bir yaklaşım sunar. Derin öğrenme ve geleneksel makine öğrenmesi yöntemlerinin hibrit kullanımıyla Türkçe metin sınıflandırmada yüksek başarı oranları elde eder.
| English Features | Türkçe Özellikler |
|---|---|
| Hybrid Model Architecture: BERT-LSTM, Random Forest and SVM implementations with multi-perspective analysis | Hibrit Model Mimarisi: BERT-LSTM, Random Forest ve SVM tabanlı çoklu perspektif analiz |
| High Performance: 85.11% accuracy in BERT-LSTM, optimized SVM performance | Yüksek Başarım: BERT-LSTM'de %85.11 doğruluk, optimize edilmiş SVM performansı |
| Turkish NLP Optimization: Specialized text preprocessing and model adaptation for Turkish technical texts | Türkçe NLP Optimizasyonu: Türkçe teknik metinler için özel veri ön işleme ve model adaptasyonu |
| Smart Text Preprocessing: Advanced text cleaning and normalization | Akıllı Veri Ön İşleme: Gelişmiş metin temizleme ve normalizasyon işlemleri |
| Balanced Learning: Data imbalance optimization with hybrid sampling techniques | Dengeli Öğrenme: Hibrit örnekleme teknikleri ile veri dengesizliği optimizasyonu |
| Multi-Feature Extraction: TF-IDF, Random Fourier Features and BERT embeddings combination | Çok Boyutlu Özellik Çıkarımı: TF-IDF, Random Fourier Features ve BERT embeddings kombinasyonu |
- BERT (Bidirectional Encoder Representations from Transformers)
- Customized BERT model for Turkish / Türkçe için özelleştirilmiş BERT modeli
- Contextual embedding layer / Bağlamsal gömme katmanı
- LSTM (Long Short-Term Memory)
- Sequence learning / Sıralı öğrenme
- Long-term dependency capture / Uzun vadeli bağımlılık yakalama
- Random Forest
- Ensemble learning / Topluluk öğrenmesi
- Multi-decision tree optimization / Çoklu karar ağacı optimizasyonu
- SVM (Support Vector Machine)
- Kernel approximation with Random Fourier Features / Rastgele Fourier Özellikleri ile çekirdek yaklaşımı
- Optimal separation in high-dimensional space / Yüksek boyutlu uzayda optimal ayrım
- Python 3.x Ecosystem / Python 3.x Ekosistemi
- PyTorch Deep Learning Framework / PyTorch Derin Öğrenme Çatısı
- Scikit-learn ML Library / Scikit-learn ML Kütüphanesi
- Hugging Face Transformers
- NLTK and Spacy NLP Tools / NLTK ve Spacy NLP Araçları
| Metric | Value | Metrik | Değer |
|---|---|---|---|
| Accuracy | 85.11% | Doğruluk | 85.11% |
| F1-Score | 0.84 | F1-Skoru | 0.84 |
| Precision | 0.83 | Kesinlik | 0.83 |
| Recall | 0.85 | Duyarlılık | 0.85 |
| Metric (EN) | Value | Metrik (TR) | Değer |
|---|---|---|---|
| Accuracy | 62.78% | Doğruluk | 62.78% |
| F1-Score | 0.66 | F1-Skoru | 0.66 |
| ROC-AUC Score | 0.94 | ROC-AUC Skoru | 0.94 |
| Matthews Correlation | 0.61 | Matthews Korelasyonu | 0.61 |
| Feature (EN) | Description (EN) | Özellik (TR) | Açıklama (TR) |
|---|---|---|---|
| Optimized hyperparameters | GridSearchCV based optimization | Optimize hiperparametreler | GridSearchCV tabanlı optimizasyon |
| Adaptive kernel approach | Dynamic kernel selection strategy | Adaptif çekirdek yaklaşımı | Dinamik çekirdek seçim stratejisi |
| Class weighting strategy | Handling imbalanced class distribution | Sınıf ağırlıklandırma | Dengesiz sınıf dağılımı yönetimi |
- Text normalization & cleaning / Metin normalizasyonu ve temizleme
- URL and special character filtering / URL ve özel karakter filtreleme
- Turkish character normalization / Türkçe karakter normalizasyonu
- Stop-word elimination / Stop-word eliminasyonu
- TF-IDF Vectorization / TF-IDF Vektörizasyonu
- N-gram analysis (1-2 grams) / N-gram analizi (1-2 gram)
- Feature selection & dimension reduction / Özellik seçimi ve boyut indirgeme
datasets>=3.1.0
torch>=1.8.0
transformers>=4.5.0
scikit-learn>=0.24.0
pandas>=1.2.0
numpy>=1.19.0
matplotlib>=3.3.0
joblib>=1.0.0- EN: Imbalanced class distribution with domain-specific Turkish technical terms
- TR: Domain-specific Türkçe teknik terimler içeren dengesiz sınıf dağılımı
| Model (EN) | Strength (EN) | Model (TR) | Güçlü Yön (TR) |
|---|---|---|---|
| BERT-LSTM | Best overall performance | BERT-LSTM | En iyi genel performans |
| SVM | Fast training/prediction | SVM | Hızlı eğitim/tahmin |
EN: To contribute to the project:
- Fork the repository
- Create your feature branch (
git checkout -b feature/AmazingFeature) - Commit your changes (
git commit -m 'Add some AmazingFeature') - Push to the branch (
git push origin feature/AmazingFeature) - Open a Pull Request
TR: Projeye katkıda bulunmak için:
- Depoyu fork'layın
- Feature branch oluşturun (
git checkout -b feature/AmazingFeature) - Değişikliklerinizi commit edin (
git commit -m 'Add some AmazingFeature') - Branch'i push edin (
git push origin feature/AmazingFeature) - Pull Request açın
EN: For project development and collaboration:
- Email: eyup.tp@hotmail.com
- GitHub Issues: Issues
TR: Proje geliştirme ve işbirliği için:
- E-posta: eyup.tp@hotmail.com
- GitHub Issues: Sorunlar
EN: This project is licensed under the GNU GENERAL PUBLIC LICENSE. See LICENSE file for details.
TR: Bu proje GNU GENEL KAMU LİSANSI altında lisanslanmıştır. Detaylar için LICENSE dosyasını inceleyin.