Update README.md

README.md

@@ -24,11 +24,13 @@ metrics:
 
 Bu model, Türkçe sorguları **"keyword"** ve **"semantic"** olmak üzere iki sınıfa ayırmak amacıyla eğitilmiş bir `BERT` tabanlı sıralı sınıflandırma (sequence classification) modelidir. Model, kısa metinlerin veya arama sorgularının niyetini (intent) belirlemede kullanılabilir.
 
-## 🧾 Kullanım Senaryosu
+This model is a `BERT` based sequence classification model trained to classify Turkish queries into two classes, **“keyword ”** and **“semantic ”**. The model can be used to determine the intent of short texts or search queries.
+## 🧾 Kullanım Senaryosu ( Usage Scenario)
 
 Kullanıcıdan gelen bir sorgunun **anahtar kelime temelli mi**, yoksa **daha geniş anlamsal bağlam içeren** bir yapı mı taşıdığını tespit etmek için kullanılır. Bu sayede sorgular farklı işleme stratejilerine yönlendirilebilir.
 
-## 🧠 Model Detayları
+It is used to determine whether a query from a user is **keyword-based** or contains a **broader semantic context**. In this way, queries can be directed to different processing strategies.
+## 🧠 Model Detayları (Model Details)
 
 - **Model mimarisi:** BERT (`dbmdz/bert-base-turkish-uncased`)
 - **Eğitim verisi:** Özel olarak etiketlenmiş 2 sınıflı sorgu veri kümesi
@@ -36,9 +38,15 @@ Kullanıcıdan gelen bir sorgunun **anahtar kelime temelli mi**, yoksa **daha ge
   - `keyword`: Daha çok başlık veya kısa anahtar ifadeler (örneğin: *Gece Gelen*, *Ozan Kılıç*)
   - `semantic`: Daha açıklayıcı veya anlam yüklü ifadeler (örneğin: *2020 yılı dram filmleri*, *Bilim kurgu filmleri*)
 
-## 📈 Model Başarımı
+- **Model architecture:** BERT (`dbmdz/bert-base-turkish-uncased`)
+- **Training data:** Specially labeled 2-class query dataset
+- **Tags:**
+  - `keyword`: Mostly titles or short key phrases (e.g. *Gece Gelen*, *Ozan Kılıç*)
+  - `semantic`: More descriptive or meaningful phrases (for example: *2020 drama movies*, *science fiction movies*)
+    
+## 📈 Model Başarımı (Model Success)
 
-Test kümesi üzerinde elde edilen sonuçlar:
+Test kümesi üzerinde elde edilen sonuçlar (Results obtained on the test set):
 
 ```text
                precision    recall  f1-score   support
@@ -50,7 +58,7 @@ Test kümesi üzerinde elde edilen sonuçlar:
    macro avg       0.84      0.88      0.86       638
 weighted avg       0.93      0.93      0.93       638
 ```
-## 🚀 Kullanım Örneği
+## 🚀 Kullanım Örneği (Usage)
 
 ```python
 from transformers import AutoTokenizer, AutoModelForSequenceClassification
@@ -67,7 +75,7 @@ pred = torch.argmax(outputs.logits, dim=1).item()
 labels = ["keyword", "semantic"]
 print(f"Tahmin edilen sınıf: {labels[pred]}")
 ```
-## Lisans
+## Lisans (License)
 Bu model, araştırma ve eğitim amaçlı olarak paylaşılmıştır. Ticari kullanımlar için model sahibi ile iletişime geçiniz.
 
 This model is shared for research and educational purposes. For commercial use, please contact the model owner.