PředmětyPředměty(verze: 811)
Předmět, akademický rok 2017/2018
   Přihlásit přes CAS
Automatické zpracování textových dat - NPFL098
Anglický název: Automatic Text Data Processing
Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2013
Semestr: letní
E-Kredity: 6
Rozsah, examinace: letní s.:2/2 Z+Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Poznámka: předmět je určen pouze pro doktorandy
Garant: Mgr. Pavel Straňák, Ph.D.
Třída: Informatika Mgr. - volitelný
Kategorizace předmětu: Informatika > Počítačová a formální lingvistika
Anotace -
Poslední úprava: Mgr. Pavel Straňák, Ph.D. (10.05.2013)

Posluchači se seznámí s efektivními nástroji a postupy pro automatické zpracování rozsáhlých textů. Získané dovednosti by měly usnadnit samostatnou vědeckou práci v libovolném oboru, kde se používají rozsáhlá textová data i případné studium počítačové lingvistiky.
Literatura -
Poslední úprava: Mgr. Pavel Straňák, Ph.D. (10.05.2013)

Prezentace z výuky 2012: http://ufal.mff.cuni.cz/~stranak/2012/index.html

Learning Perl, Fifth Edition

Learning the bash Shell

Linux Pocket Guide

Sylabus -
Poslední úprava: Mgr. Pavel Straňák, Ph.D. (10.05.2013)

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.

  • Význam a vlastnosti velkých dat
  • 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
  • vytvoření vlastního korpusu
  • "NLP workflow engines" - GATE, OpenNLP, Treex
  • automatická komplexní analýza korpusu
  • vizualizace analýzy a výsledků
 
Univerzita Karlova | Informační systém UK