Automatické zpracování textových dat - ATKL00345

• Anglický název: Automatic Text Data Processing
• Zajišťuje: Ústav českého národního korpusu (21-UCNK)
• Fakulta: Filozofická fakulta
• Platnost: od 2023
• Semestr: letní
• Body: 0
• E-Kredity: 6
• Způsob provedení zkoušky: letní s.:ústní
• Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
• Počet míst: neurčen / neurčen (neurčen)
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: nevyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Další informace: http://www.mff.cuni.cz/vnitro/is/sis/predmety/kod.php?kod=PFL098
• Poznámka: předmět je možno zapsat mimo plán; povolen pro zápis po webu
• Garant: Mgr. Bc. Pavel Straňák, Ph.D.

Anotace

Posluchači se seznámí se základními nástroji pro automatické
zpracování textu. Získané dovednosti by měly usnadnit samostatnou
vědeckou práci i případné další studium počítačové lingvistiky, kde se
praktické zvádnutí těchto nástojů předpokládá.

Poslední úprava: Skoumalová Hana, RNDr., Ph.D. (01.10.2010)

Sylabus

Na ukázkových textech většího rozsahu si ukážeme

základní metody zpracování textu potřebné pro získání netriviálních

informací a ověření hypotéz. Pravděpodobně použijeme texty děl Karla

Čapka a různá další díla v jazycích dle zaměření frekventantů.

• Zpracování textu jako nutný základ (nejen) komputační linvistiky

• Proč používat unixový shell; nejzákladnější příkazy

• další příkazy pro manipulaci s texty

• textové editory

• vyhledávání pomocí regulárních výrazů

• využití regulárních výrazů pro úpravy textu

• základní principy formulace a ověřování hypotéz, aplikace na data, přesnost, úplnost, vypovídací hodnota výsledků

• odstranění diakritiky, segmentace na věty, tokenizace

• pravidlové automatické určení slovních druhů

Poslední úprava: Skoumalová Hana, RNDr., Ph.D. (01.10.2010)