27 lines
729 B
Markdown
27 lines
729 B
Markdown
---
|
|
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.
|