https://github.com/code-alchemist01/lstm-sentiment-analysis
LSTM-based sentiment analysis with Streamlit web interface. Real-time text sentiment prediction using PyTorch deep learning model trained on IMDB dataset. Achieves 86.14% accuracy with modern UI and batch processing capabilities.
https://github.com/code-alchemist01/lstm-sentiment-analysis
deep-learning lstm machine-learning nlp pytorch sentiment-analysis streamlit text-classification
Last synced: 6 months ago
JSON representation
LSTM-based sentiment analysis with Streamlit web interface. Real-time text sentiment prediction using PyTorch deep learning model trained on IMDB dataset. Achieves 86.14% accuracy with modern UI and batch processing capabilities.
- Host: GitHub
- URL: https://github.com/code-alchemist01/lstm-sentiment-analysis
- Owner: code-alchemist01
- License: mit
- Created: 2025-09-30T23:51:12.000Z (6 months ago)
- Default Branch: main
- Last Pushed: 2025-09-30T23:57:27.000Z (6 months ago)
- Last Synced: 2025-10-01T01:20:40.793Z (6 months ago)
- Topics: deep-learning, lstm, machine-learning, nlp, pytorch, sentiment-analysis, streamlit, text-classification
- Language: Python
- Homepage:
- Size: 155 KB
- Stars: 1
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- Changelog: CHANGELOG.md
- Contributing: CONTRIBUTING.md
- License: LICENSE
Awesome Lists containing this project
README
# 🎭 LSTM Sentiment Analysis
Bu proje, LSTM (Long Short-Term Memory) sinir ağları kullanarak duygu analizi yapan kapsamlı bir makine öğrenmesi uygulamasıdır. Proje, hem model eğitimi hem de kullanıcı dostu bir Streamlit web arayüzü içermektedir.
## 📋 İçindekiler
- [Özellikler](#özellikler)
- [Kurulum](#kurulum)
- [Kullanım](#kullanım)
- [Model Mimarisi](#model-mimarisi)
- [Veri Seti](#veri-seti)
- [Performans](#performans)
- [Dosya Yapısı](#dosya-yapısı)
- [Geliştirici](#geliştirici)
## ✨ Özellikler
### 🤖 Model Özellikleri
- **LSTM Tabanlı Mimari**: Derin öğrenme ile güçlü duygu analizi
- **Offline Çalışma**: İnternet bağlantısı gerektirmez
- **GPU Desteği**: CUDA uyumlu GPU'larda hızlandırılmış eğitim
- **Özelleştirilebilir Hiperparametreler**: Esnek model konfigürasyonu
### 🖥️ Web Arayüzü
- **Streamlit Tabanlı**: Modern ve kullanıcı dostu arayüz
- **Gerçek Zamanlı Analiz**: Anlık duygu tahmini
- **Batch İşleme**: Çoklu metin analizi
- **Görselleştirme**: Eğitim grafikleri ve sonuç analizi
- **Responsive Tasarım**: Mobil ve masaüstü uyumlu
### 📊 Analiz Özellikleri
- **İkili Sınıflandırma**: Pozitif/Negatif duygu analizi
- **Güven Skoru**: Tahmin güvenilirlik oranı
- **Detaylı Raporlama**: Kapsamlı analiz sonuçları
## 🚀 Kurulum
### Gereksinimler
- Python 3.8+
- CUDA uyumlu GPU (opsiyonel, performans için önerilir)
- 8GB+ RAM
### Adım 1: Repository'yi Klonlayın
```bash
git clone https://github.com/kutayşahin/lstm-sentiment-analysis.git
cd lstm-sentiment-analysis
```
### Adım 2: Sanal Ortam Oluşturun
```bash
python -m venv venv
source venv/bin/activate # Linux/Mac
# veya
venv\Scripts\activate # Windows
```
### Adım 3: Bağımlılıkları Yükleyin
```bash
pip install torch torchvision torchaudio
pip install streamlit pandas numpy matplotlib seaborn plotly
pip install scikit-learn tqdm
```
### Adım 4: Veri Setini İndirin
```bash
python download_data.py
```
## 📖 Kullanım
### Model Eğitimi
#### Basit LSTM Modeli (Önerilen)
```bash
python train_simple.py
```
#### Gelişmiş BERT Tabanlı Model
```bash
python train.py
```
### Web Uygulamasını Başlatma
```bash
streamlit run app.py
```
Uygulama `http://localhost:8501` adresinde çalışacaktır.
## 🏗️ Model Mimarisi
### LSTM Sentiment Classifier
```
LSTMSentimentClassifier(
(embedding): Embedding(10000, 128)
(lstm): LSTM(128, 128, batch_first=True, dropout=0.3)
(dropout): Dropout(p=0.5)
(fc): Linear(128, 2)
)
```
### Hiperparametreler
- **Vocabulary Size**: 10,000 kelime
- **Embedding Dimension**: 128
- **Hidden Dimension**: 128
- **Dropout Rate**: 0.3 (LSTM), 0.5 (FC)
- **Learning Rate**: 0.001
- **Batch Size**: 64
- **Max Sequence Length**: 256
## 📊 Veri Seti
### IMDB Movie Reviews Dataset
- **Toplam Örnek**: 50,000 film yorumu
- **Eğitim**: 25,000 örnek
- **Test**: 25,000 örnek
- **Sınıflar**: Pozitif (1), Negatif (0)
- **Dil**: İngilizce
### Veri Ön İşleme
1. **Tokenization**: Metinlerin kelime düzeyinde ayrıştırılması
2. **Vocabulary Building**: En sık kullanılan 10,000 kelimenin seçimi
3. **Padding/Truncation**: Sabit uzunlukta sekans oluşturma
4. **Normalization**: Küçük harfe çevirme ve özel karakter temizleme
## 📈 Performans
### Model Performansı
- **Test Accuracy**: %86.14
- **Training Accuracy**: %91.13
- **Epochs**: 5
- **Training Time**: ~15 dakika (RTX 5060 8GB)
### Performans Metrikleri
- **Precision**: ~0.86
- **Recall**: ~0.86
- **F1-Score**: ~0.86
- **Model Size**: ~5.6MB
## 📁 Dosya Yapısı
```
02_NLP_Sentiment_Analysis/
├── app.py # Streamlit web uygulaması
├── train_simple.py # LSTM model eğitimi
├── train.py # BERT model eğitimi (alternatif)
├── download_data.py # Veri indirme scripti
├── best_lstm_sentiment_model.pth # Eğitilmiş model
├── vocabulary.pkl # Kelime dağarcığı
├── lstm_sentiment_training_curves.png # Eğitim grafikleri
├── README.md # Bu dosya
└── data/ # Veri klasörü
├── IMDB Dataset.csv # IMDB veri seti
└── ... # Diğer veri dosyaları
```
## 🛠️ Geliştirme
### Yeni Özellik Ekleme
1. Fork yapın
2. Feature branch oluşturun (`git checkout -b feature/yeni-ozellik`)
3. Değişikliklerinizi commit edin (`git commit -am 'Yeni özellik eklendi'`)
4. Branch'inizi push edin (`git push origin feature/yeni-ozellik`)
5. Pull Request oluşturun
### Test Etme
```bash
python -m pytest tests/
```
## 🔧 Sorun Giderme
### Yaygın Sorunlar
#### CUDA Hatası
```
RuntimeError: CUDA out of memory
```
**Çözüm**: Batch size'ı azaltın veya CPU modunda çalıştırın.
#### Vocabulary Hatası
```
FileNotFoundError: vocabulary.pkl not found
```
**Çözüm**: Önce `train_simple.py` çalıştırarak modeli eğitin.
#### Port Hatası
```
Port 8501 is already in use
```
**Çözüm**: Farklı port kullanın: `streamlit run app.py --server.port 8502`
## 📝 Lisans
Bu proje MIT lisansı altında lisanslanmıştır. Detaylar için [LICENSE](LICENSE) dosyasına bakın.
## 👨💻 Geliştirici
**Kutay Şahin**
- GitHub: [@kutaysahin](https://github.com/kutaysahin)
- LinkedIn: [Kutay Şahin](https://linkedin.com/in/kutaysahin)
- Email: kutay@example.com
## 🙏 Teşekkürler
- IMDB veri seti için Stanford AI Lab
- PyTorch ve Streamlit topluluklarına
- Açık kaynak katkıda bulunan herkese
## 📚 Referanslar
1. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
2. Maas, A. L., et al. (2011). Learning word vectors for sentiment analysis. ACL.
3. PyTorch Documentation: https://pytorch.org/docs/
4. Streamlit Documentation: https://docs.streamlit.io/
---
⭐ Bu projeyi beğendiyseniz yıldız vermeyi unutmayın!