Ev tahmini projesi ilk yükleme,

DockerFile

@@ -0,0 +1,14 @@
+FROM python:3.11-slim
+
+
+WORKDIR /app
+
+
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+
+COPY . .
+
+
+CMD ["uvicorn", "ev_tahmini:app", "--host", "0.0.0.0", "--port", "8000"]

ev_tahmini.py

@@ -0,0 +1,36 @@
+from fastapi import FastAPI
+import pandas as pd
+from sklearn.linear_model import LinearRegression
+import uvicorn
+
+# 1. API Uygulamasını Başlat
+app = FastAPI(title="Yapay Zeka Ev Tahmin Servisi")
+
+# 2. Modeli Eğit (Sunucu açılırken bir kere yapılır)
+veri = {
+    'Metrekare': [50, 80, 100, 120, 150],
+    'Fiyat_TL': [1500000, 2200000, 2800000, 3100000, 3900000]
+}
+df = pd.DataFrame(veri)
+X = df[['Metrekare']]
+y = df['Fiyat_TL']
+
+model = LinearRegression()
+model.fit(X, y)
+
+# 3. İnternetten Gelen İstekleri Karşılayacak Kapıyı (Endpoint) Aç
+@app.get("/tahmin")
+def fiyat_tahmin_et(metrekare: float):
+    # İnternetten gelen metrekareyi DataFrame'e çevirip modele sor
+    istek_df = pd.DataFrame({'Metrekare': [metrekare]})
+    tahmin_sonucu = model.predict(istek_df)[0]
+    
+    # Sonucu JSON formatında geri döndür
+    return {
+        "girilen_metrekare": metrekare,
+        "tahmini_fiyat_tl": round(tahmin_sonucu, 2)
+    }
+
+# 4. Sunucuyu Çalıştır
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=8000)

requirements.txt

@@ -0,0 +1,4 @@
+fastapi
+uvicorn
+pandas
+scikit-learn