zpwiki/pages/students/2024/samuel_stucka/README.md

title	published	taxonomy
Samuel Štucka	true	category tag author bp2027 nlp corpus text-processing 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, Trafilatura)

Možné ciele semestrálneho projektu:

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