---
title: Samuel Štucka
published: true
taxonomy:
    category: [bp2027]
    tag: [nlp,corpus,text-processing]
    author: Daniel Hladek
---


rok začiatku štúdia: 2024

# Bakalársky projekt 2027

Tvorba a spracovanie korpusu novinových článkov


Predbežné úlohy:

- Naučte sa Python, nainštalujte si Anaconda
- Oboznámte sa s metódami získavania a extrakcie textu z HTML novinových článkov (napr. [Readability](https://github.com/buriy/python-readability), [Trafilatura](https://github.com/adbar/trafilatura))

Možné ciele semestrálneho projektu:

- Pripraviť čistý korpus novinových článkov s metadata informáciami.
- Implementovať pipeline na extrakciu a normalizáciu textu z rôznych zdrojov.