** Réamhrá ** Séard atá sa stórlann seo ná ríomhchlár simplí a dhéanann aicmiú ar théacsanna Gaeilge de réir a gcanúint: Gaeilge Chonnacht, Gaeilge na Mumhan, nó Gaeilge Uladh. Baineann sé úsáid as samhail staitistiúil (aicmiú Bayes) a thraenáil mé ó chorpas mór téacsanna canúnacha ón tréimhse 1900-1950. Táim buíoch d'fhoireann Fhoclóir Stairiúil na Nua-Ghaeilge in Acadamh Ríoga na hÉireann a chuir an corpas seo ar fáil go poiblí (http://research.dho.ie/fng/index.php) mar acmhainn do thaighdeoirí agus do phobal na Gaeilge go ginearálta. ** Úsáid ** Tá an ríomhchlár scríofa i bPerl agus Shell. Mar sin, molaim duit an script a úsáid ar chóras Linux nó Mac, ar líne na n-orduithe (Terminal ar Mhac), cé gurbh fhéidir leat é a úsáid ar Windows trí ActiveState Perl nó a leithéid. Mura bhfuil tú cleachta le git agus github, is féidir leat an pacáiste iomlán a íoslódáil leis an gcnaipe "Download ZIP" ar dheis. Oibríonn sé ar chomhaid ghnáth-théacs mar a leanas: $ cat CreNaCille.txt | bash canuint.sh C $ cat MoSgealFein.txt | bash canuint.sh M $ cat CaisleainOir.txt | bash canuint.sh U Is féidir tuilleadh sonraí (logprob do gach canúint) a fháil leis an mbratach -v: $ cat CaisleainOir.txt | bash canuint.sh -v M: -2148.756 C: -2175.766 U: -1382.291 U Nó fiú abairt amháin a thástáil le "echo": $ echo "goidé mar atá na préataí ag an bhomaite seo" | bash canuint.sh U ** Cuidiú ** Ba dhúshlán suimiúil sa ríomhfhoghlaim é an tionscadal seo. Bhí sé an-éasca dul thar fóir le linn an phróisis traenála ("overfitting" i mBéarla). Baineann an fhadhb le foirmeacha a léiríonn fíordhifríocht idir na canúintí agus litrithe éagsúla a d'úsáid údair sa chorpas nach mbaineann le cúrsaí canúna ar chor ar bith (go bhfios dom - mar shampla "teampal" atá chun tosaigh i gCúige Mumhan, "teampall" i gCúige Uladh, agus "teampoll" i gCúige Connacht). Mar sin, ba mhór an chabhair é an tsamhail a "bhearradh" agus gan ach na gnéithe is suntasaí a choinneáil. Gheobhaidh tú na gnéithe seo sa chomhad "features.txt". Sílim go bhfuil sé suimiúil an comhad seo a bhrabhsáil fiú mura bhfuil suim mhór agat sna mionsonraí teicniúla - arís, is éard atá ann ná na gnéithe is suntasaí ó thaobh canúna, bunaithe go hiomlán ar anailís staitistiúil. Fearaim fáilte roimh cheartúcháin, moltaí, nó focail/frásaí eile ba chóir dom a chur leis an liosta gnéithe.