Úkolem projektu je vytvorit program v Pythonu, Perlu, nebo Ruby, který do vstupního souboru, obsahujícího ceský text bez hácku a cárek, doplní diakritiku. Cílem je dosáhnout co nejlepsích výsledku na testovacích datech. Soucástí odevzdaného úkolu musí být mj. vyhodnocení úspesnosti, tj. údaj, kolik slov na výstupu programu je se správnou diakritikou (a kolik je to procent z celku), a jak dlouho trvalo zpracování dat.
Potrebná data jsou v eva:/home/vyuka/ISJ/. Cetnosti slov naleznete v souboru cetnosti. Slovník, obsahující mnoho dalsích ceských slov, je v souboru slovnik. Zamyslete se prosím nad efektivitou Vaseho kódu, at nepretízíte fakultní servery! Soubory jsou pomerne velké, pouzívejte symbolické odkazy (ln -s)!
Pro ulození slovníku muzete pouzít strukturu trie reprezentovanou pomocí minimálního konecného automatu (viz trie_jako_minimalni_automat.pdf). Prípadne lze pouzít implementaci z http://www.pg.gda.pl/~jandac/fsa.html, avsak ne program fsa_accent.
Vodítkem pro zlepsení výsledku na základe kontextu muze být soubor jazykove_modelovani.pdf (ale muzete postupovat jakkoliv jinak, je velmi pravdepodobné, ze výrazného zlepsení dosáhnete podstatne jednodussí cestou).