====== Spam filtr ======
Úloha bude představena na přednášce přibližně ve 4. týdnu. Filtrování spamu je velmi praktická úloha s velkým reálným dopadem. Současně je to představitel jisté třídy problémů, s nimiž se setkáváme ve strojovém učení, a lze na ní ukázat jejich typické rysy.

  * [[.uvod|Úvod do problému filtrování spamu]].
  * [[.hodnoceni|Hodnocené části úlohy a jejich bodování]]. 
  * [[..program_po_tydnech:start|Doporučený program prací na úloze]]. Viz týdny 4 až 8.


===== Co nám přinese úloha "Spam filtr"? =====
  * Ukážeme si základní principy, na nichž jsou postaveny spam filtry.
  * Dozvíme se (velmi neformálně), co je to //data mining//.
  * Ukážeme si, jak lze Python využít na strojové zpracování textů.
  * Procvičíme si Python na další úloze.
  
Některá z uvedených témat budou jen zlehka naťuknuta, ovšem se studenty, kteří se budou cítit nevytížení, lze domluvit individuální přístup.

===== Cíle =====
Na úloze chceme ukázat následující:
  - Pro řešení některých problémů je schopnost učení (adaptace) zcela zásadní.
  - Automatické učení obsahuje jistá úskalí, na která je třeba dát si pozor.
  - Existuje celá řada úloh, u nichž je poměrně obtížné posoudit kvalitu řešení.


===== Formulace úlohy =====
Vaším prvořadým úkolem v této úloze nebude vytvoření kvalitního spam filtru, jak by se mohlo zdát. Metody, které by vám v tom mohly pomoci, ještě neznáte a dozvíte se o nich v dalším průběhu studia. Vaším úkolem bude především
  * pochopit, oč v této úloze jde, úlohu analyzovat a dekomponovat,
  * vytvořit si sadu funkcí či objektů v jazyce Python, které by vám umožňovaly snadno použít spam filtr (až nějaký budete mít) a vyhodnotit jeho kvalitu, příp. porovnat dva a více spam filtrů, a
  * vytvořit jednoduchý (třeba i velmi primitivní) spam filtr, který bude možno použít v rámci vytvořeného "frameworku".

===== Data =====
K dispozici máte {{courses:a4b99rph:cviceni:files:spam-data-12-s75-h25.zip|2 sady dat}} pocházející ze stejného zdroje. Upozorňujeme, že závěrečné hodnocení vašeho spam filtru bude probíhat na jiné sadě dat - váš spam filtr by měl více méně fungovat i na tato nová data.