diff --git a/README_TR.md b/README_TR.md
new file mode 100644
index 0000000..122c8f5
--- /dev/null
+++ b/README_TR.md
@@ -0,0 +1,186 @@
+
+
+# SageMaker Inference Toolkit
+
+[](https://pypi.python.org/pypi/sagemaker-inference) [](https://pypi.python.org/pypi/sagemaker-inference) [](https://github.com/python/black)
+
+Amazon SageMaker kullanarak Docker konteynerinde makine öğrenimi modellerini sunar.
+
+## :books: Arka Plan
+
+[Amazon SageMaker](https://aws.amazon.com/sagemaker/), veri bilimi ve makine öğrenimi (ML) iş akışları için tamamen yönetilen bir hizmettir.
+Amazon SageMaker'ı kullanarak ML modelleri oluşturma, eğitme ve dağıtma sürecini basitleştirebilirsiniz.
+
+Eğitilmiş bir modele sahip olduktan sonra, çıkarım kodunu çalıştıran bir [Docker konteynerine](https://www.docker.com/resources/what-container) dahil edebilirsiniz.
+Bir konteyner, etkili bir şekilde izole edilmiş bir ortam sağlar ve konteynerin nerede dağıtıldığına bağlı olarak tutarlı bir çalışma zamanı sağlar.
+Modelinizi ve kodunuzu konteynerleştirmek, modelinizi hızlı ve güvenilir bir şekilde dağıtmanızı sağlar.
+
+**SageMaker Inference Toolkit** makine öğrenimi modeli sunan bir yığını uygular ve herhangi bir Docker konteynerine kolayca ekleyebilir, böylece [SageMaker'a](https://aws.amazon.com/sagemaker/deploy/) dağıtılabilir hale getirir.
+Bu kitaplığın sunum yığını, [Multi Model Server](https://github.com/awslabs/multi-model-server) üzerine inşa edilmiştir ve kendi modellerinizi veya [SageMaker'da eğittiğiniz makine öğrenimi çerçevelerini](https://docs.aws.amazon.com/sagemaker/latest/dg/frameworks.html) sunabilir.
+[Önceden oluşturulmuş SageMaker Docker görüntüsü](https://docs.aws.amazon.com/sagemaker/latest/dg/pre-built-containers-frameworks-deep-learning.html) kullanıyorsanız, bu kitaplık zaten dahil edilmiş olabilir.
+
+Daha fazla bilgi için, Amazon SageMaker Geliştirici Kılavuzu'ndaki [Multi Model Server ile kendi konteynerinizi oluşturma](https://docs.aws.amazon.com/sagemaker/latest/dg/build-multi-model-build-container.html) ve [kendi modellerinizi kullanma](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html) bölümlerine bakın.
+
+## :hammer_and_wrench: Kurulum
+
+Bu kitaplığı Docker görüntünüze kurmak için, aşağıdaki satırı [Dockerfile](https
+
+://docs.docker.com/engine/reference/builder/) dosyanıza ekleyin:
+
+``` dockerfile
+RUN pip3 install multi-model-server sagemaker-inference
+```
+
+SageMaker Inference Toolkit'i kurulu olan bir Dockerfile örneği için [buraya](https://github.com/awslabs/amazon-sagemaker-examples/blob/master/advanced_functionality/multi_model_bring_your_own/container/Dockerfile) göz atabilirsiniz.
+
+## :computer: Kullanım
+
+### Uygulama Adımları
+
+SageMaker Inference Toolkit'i kullanmak için aşağıdaki adımları uygulamanız gerekmektedir:
+
+1. Model yükleme ve giriş, tahmin ve çıktı işlevlerini sağlama sorumluluğunu üstlenen bir çıkarım işleyici (inference handler) uygulayın.
+ ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/default_pytorch_inference_handler.py) bir çıkarım işleyici örneği.)
+
+ ``` python
+ from sagemaker_inference import content_types, decoder, default_inference_handler, encoder, errors
+
+ class DefaultPytorchInferenceHandler(default_inference_handler.DefaultInferenceHandler):
+
+ def default_model_fn(self, model_dir, context=None):
+ """Bir model yükler. PyTorch için, bir modeli yüklemek için varsayılan bir işlev sağlanamaz.
+ Kullanıcılar, özel bir model_fn() işlevi sağlamalıdır.
+
+ Args:
+ model_dir: modelin kaydedildiği bir dizin.
+ context (obj): istek bağlamı (varsayılan: None).
+
+ Returns: Bir PyTorch modeli.
+ """
+ raise NotImplementedError(textwrap.dedent("""
+ Lütfen bir model_fn uygulaması sağlayın.
+ model_fn hakkında belgeler için https://github.com/aws/sagemaker-python-sdk adresine bakın.
+ """))
+
+ def default_input_fn(self, input_data, content_type, context=None):
+ """JSON, CSV ve NPZ formatlarını işleyebilen varsayılan bir input_fn.
+
+ Args:
+ input_data: içerik türü formatında seri hale getirilmiş istek verisi
+ content_type: istek içerik türü
+ context (obj): istek bağlamı (varsayılan: None).
+
+ Returns: torch.FloatTensor veya cuda kullanılabilirse torch.cuda.FloatTensor formatına dönüştürülmüş input_data.
+ """
+ return decoder.decode(input_data, content_type)
+
+ def default_predict_fn(self, data, model, context=None):
+ """PyTorch için varsayılan bir predict_fn. input_fn tarafından deserialize edilen veri üzerinde bir modeli çağırır.
+ Tahminlemeyi cuda kullanılabilirse GPU üzerinde çalıştırır.
+
+ Args:
+ data: input veri (torch.Tensor), input_fn tarafından deserialize edilmiştir
+ model: model_fn tarafından belleğe yüklenen PyTorch modeli
+ context (obj): istek bağlamı (varsayılan: None).
+
+ Returns: bir tahmin
+ """
+ return model(input_data)
+
+ def default_output_fn(self, prediction, accept, context=None):
+ """
+
+PyTorch için varsayılan bir output_fn. predict_fn tarafından elde edilen tahminleri JSON, CSV veya NPY formatına serialize eder.
+
+ Args:
+ prediction: predict_fn tarafından elde edilen bir tahmin sonucu
+ accept: çıktı verisinin serialize edilmesi gereken tür
+ context (obj): istek bağlamı (varsayılan: None).
+
+ Returns: serialize edilmiş çıktı verisi
+ """
+ return encoder.encode(prediction, accept)
+ ```
+ Not: Çıkarım işleyici fonksiyonlarına argüman olarak bağlam (context) geçmek isteğe bağlıdır. İstemci, bağlamı işlev bildiriminden çıkarabilirse çalışma zamanında kullanmayı tercih edebilir. Örneğin, aşağıdaki işleyici fonksiyon bildirimleri de işe yarar olacaktır:
+
+ ```
+ def default_model_fn(self, model_dir)
+
+ def default_input_fn(self, input_data, content_type)
+
+ def default_predict_fn(self, data, model)
+
+ def default_output_fn(self, prediction, accept)
+ ```
+
+2. Model sunucusu tarafından yürütülen bir işleyici hizmeti uygulayın.
+ ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/handler_service.py) bir işleyici hizmeti örneği.)
+ `HANDLER_SERVICE` dosyasını nasıl tanımlayacağınız hakkında daha fazla bilgi için [MMS özel hizmet belgelerine](https://github.com/awslabs/multi-model-server/blob/master/docs/custom_service.md) bakın.
+
+ ``` python
+ from sagemaker_inference.default_handler_service import DefaultHandlerService
+ from sagemaker_inference.transformer import Transformer
+ from sagemaker_pytorch_serving_container.default_inference_handler import DefaultPytorchInferenceHandler
+
+
+ class HandlerService(DefaultHandlerService):
+ """Model sunucusu tarafından yürütülen bir işleyici hizmeti.
+ Kullanılan modelle ilgili belirli varsayılan çıkarım işleyicilerini belirler.
+ Bu sınıf, aşağıdakileri tanımlayan ``DefaultHandlerService``'den türetilir:
+ - ``handle`` yöntemi, model sunucusuna gelen tüm giriş çıkarım istekleri için çağrılır.
+ - ``initialize`` yöntemi, model sunucusu başlatıldığında çağrılır.
+ Kaynak: https://github.com/awslabs/multi-model-server/blob/master/docs/custom_service.md
+ """
+ def __init__(self):
+ transformer = Transformer(default_inference_handler=DefaultPytorchInferenceHandler())
+ super(HandlerService, self).__init__(transformer=transformer)
+ ```
+
+3. Model sunucusunu başlatan bir hizmet giriş noktası uygulayın.
+ ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/serving.py) bir hizmet giriş noktası örneği.)
+
+ ``` python
+
+
+ from sagemaker_inference.default_inference_handler import DefaultInferenceHandler
+ from sagemaker_pytorch_serving_container.default_handler_service import DefaultHandlerService
+
+
+ def main():
+ handler_service = DefaultHandlerService()
+ handler_service.initialize()
+ handler = DefaultInferenceHandler()
+ handler_service.handle(data, context)
+ ```
+
+4. Model sunucusunu Docker konteynerinde çalıştırın ve etkinleştirin.
+ ([İşte bir örnek](https://github.com/awslabs/amazon-sagemaker-examples/blob/master/advanced_functionality/multi_model_bring_your_own/container/dockerd-entrypoint.py) bir Docker giriş noktası örneği.)
+
+ ``` python
+ import sys
+
+ from sagemaker_inference import log, utils
+
+ from sagemaker_pytorch_serving_container import handler_service, serving
+ from sagemaker_pytorch_serving_container.default_inference_handler import DefaultInferenceHandler
+
+
+ if __name__ == "__main__":
+ if len(sys.argv) < 2 or sys.argv[1] not in ("serve", "train"):
+ raise ValueError(
+ 'Invalid argument. Please use "serve" or "train" as the first argument.'
+ )
+
+ if sys.argv[1] == "serve":
+ # Serve the model
+ serving.main()
+ elif sys.argv[1] == "train":
+ # Train the model
+ pass
+ ```
+
+ Not: `if __name__ == "__main__":` kontrolü ile `train` veya `serve` komutlarına dayalı olarak modelin eğitimi veya sunulması sağlanır.
+
+Bu adımları uyguladıktan sonra, model sunucusu Docker konteynerinde çalışacak ve SageMaker tarafından çağrılan çıkarım işleyicileri ve hizmetlerini kullanacaktır.
+
+Umarım bu bilgiler yararlı olur! Başka sorularınız varsa, yardımcı olmaktan mutluluk duyarım.
\ No newline at end of file