Upload 4 files

README.md

@@ -1,3 +1,69 @@
 ---
 license: mit
+tags:
+- regression
+- marketing
+- machine-learning
+- streamlit
+- randomforest
+- sklearn
 ---
+
+# 📊 Marketing Click Prediction with Machine Learning
+
+Bu proje, pazarlama kampanyalarının tıklanma sayısını tahmin etmek için makine öğrenmesi (Random Forest) ve Streamlit kullanılarak geliştirilmiştir.
+
+## 🔍 Kullanılan Veri Seti
+- Model Tipi: `RandomForestRegressor`
+- Eğitim Verisi: `marketing_campaign_dataset.csv` (220.000 satırdan örneklenmiş)
+- Girdi Özellikleri: Şirket adı, kampanya türü, hedef kitle, kanal, süre, maliyet, dil, etkileşim, vb.
+- Hedef: Tıklama sayısı (Clicks)
+
+## 🧠 Kullanılan Yöntemler
+- Veri temizleme ve Label Encoding
+- Özellik mühendisliği
+- RandomForestRegressor modeli ile tahmin
+- Modeli `.pkl` olarak kaydetme
+- Streamlit ile tahmin arayüzü
+
+
+Bu modeli kullanarak oluşturulan bir tahmin arayüzü Streamlit ile yapılmıştır. Arayüzde kullanıcı yukarıdaki özellikleri girerek tahmini tıklama sayısını anında alabilir.
+## 🖼️ Uygulama Arayüzü
+
+Aşağıda Streamlit arayüzünün bir örneği yer almaktadır:
+
+![Streamlit arayüzü](Screenshot_10.png)
+
+
+🔗 Diğer Platformlar
+✅ GitHub Repo (Tüm Kodlar ve Streamlit)
+
+✅ Streamlit App
+
+## 🚀 Nasıl Kullanılır?
+1. Gereksinimleri yükleyin:
+```bash
+pip install -r requirements.txt
+
+
+Modeli çalıştırmak için:
+python model.py
+
+Streamlit uygulamasını başlatın:
+streamlit run app.py
+
+
+
+
+💡 Geliştirilebilir Noktalar
+Daha fazla model karşılaştırması yapılabilir.
+
+Kullanıcı girdilerinde LabelEncoder yerine eğitim sırasında kaydedilen encoder kullanılabilir.
+
+Model Hugging Face' model olarak yüklendi
+
+📝 Lisans
+Bu proje eğitim amaçlıdır.
+
+
+

app.py

@@ -0,0 +1,52 @@
+import streamlit as st
+import pandas as pd
+import joblib
+from sklearn.preprocessing import LabelEncoder
+
+# Modeli yükle
+model = joblib.load("clicks_predictor_model.pkl")
+
+st.title("📊 Marketing Campaign Click Predictor")
+st.markdown("Kampanya özelliklerine göre tahmini tıklama sayısını öğrenin.")
+
+# Kullanıcı girdileri
+company = st.selectbox("Şirket", ["Innovate Industries", "NexGen Systems", "Alpha", "TechCorp", "DataTech Solutions"])
+campaign_type = st.selectbox("Kampanya Türü", ["Email", "Influencer", "Search", "Social Media"])
+target_audience = st.selectbox("Hedef Kitle", ["Men 18-24", "Women 35-44", "All Ages", "Men 25-34"])
+duration = st.selectbox("Süre", ["15 days", "30 days", "45 days", "60 days"])
+channel = st.selectbox("Kanal", ["Google Ads", "YouTube", "Facebook", "Instagram", "Website", "Email"])
+acquisition_cost = st.number_input("Müşteri Kazanım Maliyeti ($)", value=1000.0)
+location = st.selectbox("Konum", ["Chicago", "New York", "Los Angeles", "Miami", "Houston"])
+language = st.selectbox("Dil", ["Spanish", "German", "French", "Mandarin", "English"])
+impressions = st.number_input("İzlenim Sayısı", value=1000)
+engagement = st.slider("Etkileşim Skoru", 0, 10, 5)
+customer_segment = st.selectbox("Müşteri Segmenti", ["Health & Wellness", "Fashionistas", "Outdoor Adventurers", "Tech Enthusiasts", "Foodies"])
+
+# Girdileri DataFrame'e çevir
+input_df = pd.DataFrame({
+    "Company": [company],
+    "Campaign_Type": [campaign_type],
+    "Target_Audience": [target_audience],
+    "Duration": [duration],
+    "Channel_Used": [channel],
+    "Acquisition_Cost": [acquisition_cost],
+    "Location": [location],
+    "Language": [language],
+    "Impressions": [impressions],
+    "Engagement_Score": [engagement],
+    "Customer_Segment": [customer_segment]
+})
+
+# Aynı şekilde encode et
+def encode_input(df):
+    for col in df.columns:
+        if df[col].dtype == 'object':
+            df[col] = LabelEncoder().fit_transform(df[col])
+    return df
+
+input_encoded = encode_input(input_df)
+
+# Tahmin yap
+if st.button("Tahmin Et"):
+    prediction = model.predict(input_encoded)[0]
+    st.success(f"📈 Tahmini Tıklama Sayısı: {int(prediction)}")

clicks_predictor_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8f4cf1613c7fa5ea6a2ed5b2755ecfd6d97a2b01ff538446807caa999269b120
+size 1450442193

sample_input.json

@@ -0,0 +1,13 @@
+{
+  "Company": "Innovate Industries",
+  "Campaign_Type": "Email",
+  "Target_Audience": "Men 18-24",
+  "Duration": "30 days",
+  "Channel_Used": "Google Ads",
+  "Acquisition_Cost": 10000,
+  "Location": "Chicago",
+  "Language": "Spanish",
+  "Impressions": 5000,
+  "Engagement_Score": 6,
+  "Customer_Segment": "Health & Wellness"
+}