Nechápu MK

@Jura007 cookies? Nebo nerozumím.

Trochu jsem nad tím přemýšlela a mě se opravdu nezdá, že to bude „nějaký“ algoritmus, spíš masivní program s masivním hardwarovým zázemím a mnohamilionovými náklady.

Dejme tomu, že máme dávku třeba 100 000 slov. (asi tak obsah jedné tlusté knihy) Říci počítači najdi všechny spojky „a“ dokážou naprogramovat i moje pětileté dcery. Ale co z toho plyne? Nic. Protože „a“ je nejfrekventovanější slovo v češtině. Zdá se mi, že pisatelka často pužívá slovo „tedy“. Jak potřebuji velký vzorek od kolika dalších uživatelů na podobné téma, abych viděla, zda je to průměr, nadprůměr, podprůměr? Kolikrát použila „tedy“ a kolikrát „teda“? A vypovídá to o něčem? Zdá se mi, že pisatelka používá krátké věty. To je asi také jednoduché (počítači počítej místa dokud nenajdeš tečku, pořád dokola) ale krátké věty používá hodně lidí. Zdá se mi, že pisatelka nadužívá podstatná jména slovesná. „Žádám provedení potrestání zavinění ztroskotání!“ To už je příznačnější ale stále není jediná, je to častý nešvar. Aby to něco vydalo, musím všehny ty výstupy zkombinovat a zvážit.

Takže potřebuji mnoho výstupů, kterým musím přiřadit váhu podle toho, jak jsou příznačné a porovnat je. Jen nastavit význam těch proměnných předpokládám obnáší hlubší znalosti lingvistiky a asi se to musí i dlouho testovat… 

Velký problém je, že ke každému slovu se musí přiřadit tvar tohoto slova v základním tvaru aby bylo možné ta slova třídit. Mravenčí práce. Třeba sloveso jít - 6 tvarů v přítomném, 11 v minulém pokud dobře počítám, pak ještě všechny budoucí, podmiňovací, rozkazovací, to vše násobeno dvěma - dokonavý a nedokonavý vid.

A toto vše prosím probíhá v souboru dat, kdy víme že to je od téhož pisatele. Pokud nevíme, potřebujeme soubor dat ke srovnání, kde to víme jistě.

boeing také není jen pár plechů sletovaných dohromady a nějaký dráty i když svým způsobem je