48 lines
1.4 KiB
Markdown
48 lines
1.4 KiB
Markdown
---
|
|
title: Yevhenii Medushivskyi
|
|
published: true
|
|
taxonomy:
|
|
category: [bp2026]
|
|
tag: [ir,lm,nlp]
|
|
author: Daniel Hladek
|
|
---
|
|
|
|
|
|
rok začiatku štúdia: 2023
|
|
|
|
# Bakalárska práca 2026
|
|
|
|
|
|
Téma:
|
|
|
|
Extrakcia informácií z webových stránok
|
|
|
|
Predbežné zadanie:
|
|
|
|
1. Vypracujte prehľad webových korpusov a metód ich tvorby.
|
|
2. Získajte dáta z internetu a vytvorte korpus dát pre viaceré domény.
|
|
3. Využite získané dáta na tvorbu doménovo orientovaného jazykového modelu.
|
|
|
|
Stretnutie 28.2.2025
|
|
|
|
Úlohy:
|
|
|
|
- Oboznámte sa s jazykom Python. Kniha Dive into Python 3, nainštalujte si prostredie Anaconda.
|
|
- Vypracujte prehľad webových korpusov pre trénovanie jazykových modelov a metód ich tvorby. C4 alebo mC4. Zoznam nájdete na https://github.com/slovak-nlp/resources. Napíšte si poznámky. Prečítajte si odborné články.
|
|
- Pozrite si projekty Apache Tika, Trafilatura, Apache Nutch, BeautifulSoup, Pupeteer (headless browser).
|
|
|
|
|
|
Zásobník úloh:
|
|
|
|
- Získajte prístup na vhodný školský server a nakonfigurujte vlastný crawler na získavanie doménovo orientovaných dát.
|
|
- Vytvorte korpus súdnych dát - súdne rozhodnutia, zákony, vyhlášky, zmluvy.
|
|
- Vytvorte korpus medicínskych dát.
|
|
- Vytvorte korpus novinových článkov a blogov.
|
|
- Vytvorte korpus webových diskusií.
|
|
- Vytvorte korpus všeobecných dát.
|
|
- Vytvorené texty analyzujte.
|
|
|
|
|
|
|
|
|