• dokumentacni-maily
• jak-na-trtok

 svn --username $USER co https://svn.ms.mff.cuni.cz/svn/czeng/trunk/czeng10/

cd mining;
make check
make get
make prepare
# copy pastovani tasku
make clean-all
# copy pastovani tasku
make train.parallel
make segment.parallel
make segmented.hunalign.gz

• zkustil zprovoznit u sebe celou pipelinu CzEngu az (vcetne) Alesova hrubeho filtrovani
• pridal “statistiky po ceste”, ktere maji za cil validovat data (nejde tolik o formalni validaci, k te dojde mimodek, jako spis o pocitani, jestli nekde cestou neztracime nejaka data kvuli technicke chybe)
  • 
http://www1.cuni.cz/~obo/textutils/
→ zwc je trosinku chytrejsi pocitadlo nez wc
Ondreje zajima co nejdrive ta prehledna tabulka, kolik dat z jakeho zdroje mame (a jak s tim zacvicily hrube filtry).

Inspirace, jak jsem pocital statistiky minule, je zde:

svn cat https://svn.ms.mff.cuni.cz/svn/czeng/trunk/devel/completion/Makefile

Konkretne jde o cile:
%.stat … ktery jsem (rucne) spoustel jak na nefiltrovane (tj.
.hali), tak na filtrovane (tj. .filtered; cili ty po
Alesove hrube filtraci)
%.freqerrs … ten po pouziti na filtrovane ukaze, jake chyby jsou
nejcetnejsi, tj. ze kvuli nim ztratime nejvice dat – a nekdy se
vyplati takove chyby radeji resit nez data zahodit.

• Dalsi navazujici ukol, nez na to zapomenu, bude ozivit v nove pipeline ty automaticke opravy pripadu 2-1 a 1-2 na 1-1. Ondrej pak dohleda, kde to byvalo.
• predelat checkouty na export - ale jasne odlisit
  • prozatim neni priorita, protoze neni jiste, kde je to vsude natvrdo nastavene
• opravit zpracovani titulku podle ostatnich ukolu
• czeng09 - clean-navajo, clean-project_syndicate, clean-emea03 - trvaji hodne dlouho

• potrebne nastroje se automaticky stahnou + zkompiluji
• mining pipelina jde spustit
• pridana kontrola na existenci potrebnych dat
• pridana kontrola na existenci potrebnych nastroju

• readers-digest-2 vs rd2 - podle mne by se to melo jmenovat stejne