movie-sentiment-analyzer

# 🎬 Movie Sentiment Analyzer

Bu proje, IMDB film yorumlarını analiz ederek pozitif veya negatif duyguyu tahmin eder.

## 🚀 Teknolojiler

- **Python 3.8+**
- **scikit-learn** - Makine öğrenmesi modeli
- **Streamlit** - Web arayüzü
- **NLTK** - Doğal dil işleme
- **Pandas & NumPy** - Veri işleme
- **Matplotlib & Seaborn** - Görselleştirme

## 📦 Kurulum

### 1. Repository'yi klonlayın

```bash
git clone https://github.com/<username>/movie-sentiment-analyzer.git
cd movie-sentiment-analyzer
```

### 2. Sanal ortam oluşturun ve aktif edin

```bash
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
```

### 3. Gerekli kütüphaneleri yükleyin

```bash
pip install -r requirements.txt
```

### 4. NLTK verilerini indirin

```bash
python -c "import nltk; nltk.download('stopwords'); nltk.download('punkt'); nltk.download('wordnet')"
```

## 📊 Veri

Proje IMDB Dataset of 50K Movie Reviews kullanmaktadır. Veri setini şuradan indirebilirsiniz:
- [Kaggle - IMDB Dataset](https://www.kaggle.com/datasets/lakshmi25npathi/imdb-dataset-of-50k-movie-reviews)

İndirdiğiniz `IMDB Dataset.csv` dosyasını `data/` klasörüne `imdb_reviews.csv` adıyla kaydedin.

## 🎯 Kullanım

### Model Eğitimi

```bash
python src/train_model.py
```

### Model Değerlendirme

```bash
python src/evaluate_model.py
```

### Tekil Tahmin

```bash
python src/predict.py "This movie was amazing, I loved it!"
```

### Streamlit Web Arayüzü

```bash
streamlit run app/streamlit_app.py
```

## 🧠 Örnek

```
Review: "This movie was amazing, I loved it!"
→ Prediction: Positive 😊

Review: "Terrible acting and boring plot."
→ Prediction: Negative 😞
```

## 📁 Proje Yapısı

```
movie-sentiment-analyzer/
├── data/
│   └── imdb_reviews.csv          # IMDB veri seti
├── notebooks/
│   └── 01_data_preprocessing.ipynb  # Veri analizi ve ön işleme
├── src/
│   ├── train_model.py            # Model eğitimi
│   ├── evaluate_model.py         # Model değerlendirme
│   └── predict.py                # Tahmin scripti
├── app/
│   └── streamlit_app.py          # Streamlit web uygulaması
├── requirements.txt              # Python bağımlılıkları
├── README.md                     # Proje dokümantasyonu
└── .gitignore                    # Git ignore kuralları
```

## 🔬 Model Detayları

- **Algoritma**: Logistic Regression
- **Vektörizasyon**: TF-IDF (max_features=5000, ngram_range=(1,2))
- **Ön işleme**: Küçük harfe çevirme, noktalama temizleme, stopwords kaldırma

## 📈 Performans Metrikleri

Model performansı test veri seti üzerinde değerlendirilir:
- Accuracy (Doğruluk)
- Precision (Kesinlik)
- Recall (Duyarlılık)
- F1-Score
- Confusion Matrix

## 🤝 Katkıda Bulunma

1. Fork edin
2. Feature branch oluşturun (`git checkout -b feature/AmazingFeature`)
3. Değişikliklerinizi commit edin (`git commit -m 'Add some AmazingFeature'`)
4. Branch'inizi push edin (`git push origin feature/AmazingFeature`)
5. Pull Request oluşturun

## 📝 Lisans

Bu proje MIT lisansı altında lisanslanmıştır.

## 👨‍💻 Geliştirici

Proje sahibi: [@canuzlas](https://github.com/canuzlas)

## 🙏 Teşekkürler

- IMDB veri seti için Kaggle topluluğuna
- Scikit-learn ve Streamlit ekiplerine