A package of tools for the processing of the Corpus Tècnic in Catalan and Spanish. It includes a preprocessor, a PoSTagger and a linguistic disambiguator.
1. 1854-1936/38. Datový disk 1 -- 2. 1854-1936/38. Datový disk 2 -- 3. 1939/45-2004. Datový disk 3 -- 4. 1939/45-2004. Datový disk 4 -- 5. 1939/45-2004. Datový disk 5 -- 6. Instalační disk. 1854-2004, Více než 50 000 stránek A4 včetně obrázků je zpřístupněno ve formátu PDF a propojeno s revidovanou interaktivní bibliografií článků a recenzí. Databáze zahrnuje bezmála 5000 titulů článků a více než 4000 titulů recenzí. Články z posledních cca 50 let publikované v českém jazyce obsahují anglický, německý nebo francouzský souhrn., and Ve čtyřech krabičkách 19 x 14 x 1 cm
The January 2018 release of the ParaCrawl is the first version of the corpus. It contains parallel corpora for 11 languages paired with English, crawled from a large number of web sites. The selection of websites is based on CommonCrawl, but ParaCrawl is extracted from a brand new crawl which has much higher coverage of these selected websites than CommonCrawl. Since the data is fairly raw, it is released with two quality metrics that can be used for corpus filtering. An official "clean" version of each corpus uses one of the metrics. For more details and raw data download please visit: http://paracrawl.eu/releases.html