Sebrané drobné příběhy a epizody ze života Antonína Dvořáka, jak se uchovaly ve vzpomínkách konkrétních pamětníků, nebo jako anonymní anekdoty., Zvláštní otisk z krajinského listu "Chrudimský kraj", roč. 24, č. 10, 11 a 12., and Hudební osobnosti.
Obsahuje bibliografické odkazy., Ostatní autoři viz poznámky pod čarou., and Cechia. Cong hoa Séc. Cseh Köztársaság. Csehország. Czech Republic. Czechy. Česká republika. Česká socialistická republika. České země. Česko. ČR. ČSR. Chequia. République tcheque. Tjeckien. Tschechien. Tschechische Republik. Tšekin tasavalta. Tšekki. Země české.
Díl 1, První díl souboru Erbenových pohádek inspirovaných lidovým folklorem z 20. let 20. století s ilustračním doprovodem A. Scheinera., and Knížky pro děti do deseti let v češtině.
Díl II, Druhý díl souboru Erbenových pohádek inspirovaných lidovým folklorem z 20. let 20. století s ilustračním doprovodem A. Scheinera., and Knížky pro děti do deseti let v češtině.
BASIC INFORMATION
--------------------
Czech Text Document Corpus v 2.0 is a collection of text documents for automatic document classification in Czech language. It is composed of the text documents provided by the Czech News Agency and is freely available for research purposes. This corpus was created in order to facilitate a straightforward comparison of the document classification approaches on Czech data. It is particularly dedicated to evaluation of multi-label document classification approaches, because one document is usually labelled with more than one label. Besides the information about the document classes, the corpus is also annotated at the morphological layer.
The main part (for training and testing) is composed of 11,955 real newspaper articles. We provide also a development set which is intended to be used for tuning of the hyper-parameters of the created models. This set contains 2735 additional articles.
The total category number is 60 out of which 37 most frequent ones are used for classification. The reason of this reduction is to keep only the classes with the sufficient number of occurrences to train the models.
Technical Details
------------------------
Text documents are stored in the individual text files using UTF-8 encoding. Each filename is composed of the serial number and the list of the categories abbreviations separated by the underscore symbol and the .txt suffix. Serial numbers are composed of five digits and the numerical series starts from the value one.
For instance the file 00046_kul_nab_mag.txt represents the document file number 46 annotated by the categories kul (culture), nab (religion) and mag (magazine selection). The content of the document, i.e. the word tokens, is stored in one line. The tokens are separated by the space symbols.
Every text document was further automatically mophologically analyzed. This analysis includes lemmatization, POS tagging and syntactic parsing. The fully annotated files are stored in .conll files. We also provide the lemmatized form, file with suffix .lemma, and appropriate POS-tags, see .pos files. The tokenized version of the documents is also available in .tok files.
This corpus is available only for research purposes for free. Commercial use in any form is strictly excluded.
Díl 5, Dodatek k předcházejícím dílům autorova "Dějepisu Prahy", popisujícího události let 1348-1436 obsahuje chronologický "letopis" a soupis úředníků a církevních hodnostářů., Sepsal Wácslaw Wladiwoj Tomek., and Pražské dějiny všeobecně. Pražská historická chronologie. Pražské historické sborníky. Pražské dějepisectví.