working compiled but with errors

.gitignore

@@ -0,0 +1,2 @@
+*.aux
+*.log

docs/.gitignore

@@ -0,0 +1,5 @@
+*.aux
+*.log
+*.toc
+*.lof
+*.out

docs/usu_sem2/1/1.tex

@@ -0,0 +1,26 @@
+\section{Document topic discovery}
+Cieľom je identifikovať kapitoly v novinových článkoch bez použitia vopred definovaných tried. Analýzou štatistického rozdelenia medzi dokumentami systém zoskupuje podobné články do odlišných zhlukov, pričom každý zhluk reprezentuje tému(topic).
+
+\section{Matematická reprezentácia textu}
+Proces objavovania začína transformáciou surového textu do vysokodimenzionálneho vektorového priestoru. Podľa metodológie tvorby príznakov je každý dokument reprezentovaný pomocou vkladania TF-IDF (Term Frequency–Inverse Document Frequency).
+
+Pre zaistenie štatistickej robustnosti je komponenta term frequency (TF) vypočítaná pomocou logaritmicky škálovaného vzorca. Tento prístup zabraňuje tomu, aby bežné slová s vysokými počtami neúmerne ovplyvňovali model, a namiesto toho sa zameriava na informačnú hodnotu výrazov. Inverse Document Frequency (IDF) ďalej spresňuje túto reprezentáciu penalizáciou výrazov, ktoré sa vyskytujú príliš často v celom korpuse, čím uprednostňuje slová špecifické a charakteristické pre jednotlivé témy.
+
+\section{Optimalizácia a redukcia šumu}
+Dokumentové vektory v priestore surových slov často obsahujú významný šum a vysokú redundanciu. Na vyriešenie „prekliatia dimenzionality“ a zlepšenie stability zhlukovania pipeline zahŕňa metódu hlavných komponentov (PCA).
+
+Tento krok transformuje pôvodné príznaky na kompaktnú množinu hlavných komponentov, ktoré zachytávajú maximálny rozptyl v dátach. Projekciou dokumentov do tohto redukovaného priestoru systém zahadzuje menej informatívne dimenzie a sústredí sa na najvýznamnejšie tematické smery. Táto redukcia dimenzie je kľúčová pre odhalenie skrytých vzorov, ktoré by mohli byť v pôvodnej vysokodimenzionálnej reprezentácii zakryté.
+
+\section{Zhlukovací rámec}
+Jadrom objavovania tém je K-Means algoritmus, iteračná zhlukovacia metóda navrhnutá na rozdelenie dát do odlišných skupín. Každá skupina je definovaná centroidom, ktorý predstavuje matematický stred témy.
+
+Podľa ustálených teoretických algoritmov proces začína náhodnou inicializáciou stredov zhlukov. Na zmiernenie rizika konvergencie do suboptimálnych lokálnych miním — častého problému v zhlukovaní — systém využíva stratégiu viacerých štartov. Vykonaním niekoľkých nezávislých behov s rôznymi inicializáciami a výberom výsledku s najnižšou vnútornou varianciou pipeline zabezpečuje stabilnejšie a presnejšie tematické zoskupovanie.
+
+\section{Stanovenie granularity tém}
+Voľba vhodného počtu tém je riadená pomocou metódy „lakeť“ (Elbow Method), založenej na vnútrozhlukovom súčte štvorcov (WSS). So zvyšujúcim sa počtom zhlukov WSS prirodzene klesá. Systém však hľadá bod „lakťa“ — špecifický počet zhlukov, kde sa miera zlepšenia rozptylu výrazne spomalí. Tento bod predstavuje optimálny kompromis medzi jednoduchosťou modelu a jeho opisnou silou, čím sa zabezpečuje, že témy nie sú ani príliš široké, ani nadbytočne rozdelené.
+
+\section{Interpretácia objavených tém}
+Záverečná fáza pipeline zahŕňa preklad matematických centroidov späť do ľudsky čitateľných tém. Keďže zhlukovanie prebieha v redukovanom dimenzionálnom priestore, aplikuje sa inverzná transformácia na mapovanie centroidov späť do pôvodného priestoru slov. Identifikáciou výrazov s najvyššou váhou v každom centre systém identifikuje kľúčové slová charakterizujúce každú tému. To umožňuje kvalitatívne zhodnotenie objavených tém, čím sa efektívne premieňajú matematické súradnice na zrozumiteľné sumáre obsahu dátovej sady.
+
+\section{Teoretické základy}
+Pipeline je striktne prispôsobená teoretickým rámcom strojového učenia. Logika vektorizácie a škálovania je odvodená z Kapitoly 8, konkrétne sa zameriava na mapovanie príznakov a váženie TF-IDF. Redukcia dimenzie a inverzná transformácia nasledujú metodológie PCA z Kapitoly 8.3. Logika zhlukovania, vrátane iteračného priraďovania, výpočtu WSS a diagnostického použitia metódy „lakeť“, je založená na princípoch učenia bez učiteľa uvedených v Kapitole 13.

docs/usu_sem2/1/2.tex

@@ -0,0 +1,26 @@
+\section{Cieľ projektu}
+Primárnym cieľom tohto projektu je identifikovať skryté tematické štruktúry v kolekcii novinových dokumentov bez použitia vopred definovaných tried. Analýzou štatistického rozdelenia výrazov a sémantických vzťahov medzi dokumentami systém zoskupuje podobné články do odlišných zhlukov, pričom každý zhluk predstavuje jedinečnú tému.
+
+\section{Matematická reprezentácia textu}
+Proces objavovania začína transformáciou surového textu do vysokorozmerného vektorového priestoru. Podľa metodológie inžinierstva príznakov (kapitola 8) je každý dokument reprezentovaný pomocou vkladania TF-IDF (Term Frequency–Inverse Document Frequency). 
+
+Aby sa zabránilo neúmernému vplyvu bežných slov s vysokými počtami, frekvencia slov (TF) sa počíta pomocou logaritmickej škály: $\text{TF}(w,d) = \log(1 + f(w,d))$, kde $f(w,d)$ je počet výskytov slova $w$ v dokumente $d$. Inverzná frekvencia dokumentov (IDF) penalizuje slová, ktoré sa vyskytujú príliš často v celom korpuse: $\text{IDF}(w,D) = \log\left(\frac{N}{f(w,D) + 1}\right)$, kde $N$ je počet dokumentov a $f(w,D)$ je počet dokumentov obsahujúcich slovo $w$. Výsledné TF-IDF vkladanie je dané súčinom $\text{TF-IDF}(w,d,D) = \text{TF}(w,d) \cdot \text{IDF}(w,D)$.
+
+\section{Optimalizácia a redukcia šumu}
+Dokumentové vektory v priestore slov obsahujú značný šum a redundanciu. Na vyriešenie prekliatia dimenzionality a zlepšenie stability zhlukovania sa používa metóda hlavných komponentov (PCA) podľa kapitoly 8.3.
+
+Tento krok transformuje pôvodné príznaky na množinu hlavných komponentov, ktoré zachytávajú maximálny rozptyl v dátach. Projekciou dokumentov do redukovaného priestoru sa odstránia menej informatívne dimenzie a systém sa sústredí na najvýznamnejšie tematické smery. Táto redukcia dimenzie je kľúčová pre odhalenie skrytých vzorov, ktoré môžu byť v pôvodnej vysokorozmernej reprezentácii zakryté.
+
+\section{Zhlukovací rámec}
+Jadrom objavovania tém je K-means algoritmus (kapitola 13), iteračná metóda zhlukovania, ktorá rozdeľuje dáta do $k$ zhlukov. Každý zhluk je definovaný centroidom $\theta_m$, ktorý predstavuje jeho stred. Algoritmus minimalizuje funkciu nehodnovernosti $l_\Theta^k(x) = \min_{m=1,\dots,k} \|x - \theta_m\|_2^2$, kde $\Theta = [\theta_1, \dots, \theta_k]$ je matica centier.
+
+Proces začína náhodnou inicializáciou centier. Aby sa predišlo konvergencii do suboptimálnych lokálnych miním, používa sa stratégia viacnásobnej inicializácie: algoritmus sa spustí niekoľkokrát s rôznymi počiatočnými centrami a vyberie sa riešenie s najnižšou celkovou vnútrozhlukovou sumou štvorcov.
+
+\section{Stanovenie granularity tém}
+Výber vhodného počtu zhlukov $k$ sa realizuje metódou lakťa, ktorá je založená na vnútrozhlukovej sume štvorcov (WSS). WSS sa definuje ako súčet funkcií nehodnovernosti pre všetky body: $\text{WSS} = \sum_{i=1}^n l_\Theta^k(x_i)$. So zvyšujúcim sa $k$ hodnota WSS klesá. Metóda lakťa hľadá bod, v ktorom sa zlepšenie (pokles WSS) výrazne spomalí; tento bod určuje optimálny kompromis medzi jednoduchosťou modelu a jeho presnosťou.
+
+\section{Interpretácia objavených tém}
+Pre interpretáciu objavených tém sa centroidy zhlukov premapujú späť do pôvodného priestoru slov pomocou inverznej transformácie. V tomto priestore sa identifikujú výrazy s najvyššími váhami v každom centroide, ktoré charakterizujú danú tému. Tento postup umožňuje kvalitatívne zhodnotenie objavených tém a ich preklad do zrozumiteľných kľúčových slov.
+
+\section{Teoretické základy}
+Navrhnutý pipeline dôsledne vychádza z teoretických rámcov uvedených v učebnici. Vektorizácia a škálovanie sú založené na kapitole 8, konkrétne na metodike mapovania príznakov a vážení TF-IDF. Redukcia dimenzie a inverzná transformácia sa riadia postupmi PCA opísanými v kapitole 8.3. Logika zhlukovania, vrátane iteračného priraďovania, výpočtu WSS a diagnostického použitia metódy lakťa, je odvodená z princípov učenia bez učiteľa v kapitole 13.

docs/usu_sem2/1/3.tex

@@ -0,0 +1,44 @@
+\section{Cieľ}
+Primárnym cieľom je identifikovať tématické celky v kolekcii bez použitia vopred definovaných tried. Ide o úlohu učenia bez učiteľa. Analýzou štatistického rozdelenia výrazov a vzťahov medzi dokumentmi systém zoskupuje podobné články do odlišných zhlukov, pričom každý zhluk reprezentuje špecifickú tému.
+
+\section{Matematická reprezentácia textu}
+Proces začína transformáciou textu do vektorového priestoru. Každý dokument je reprezentovaný pomocou vkladania TF-IDF (\textit{Term Frequency–Inverse Document Frequency}).
+
+Aby sa zabránilo neúmernému vplyvu bežných slov s vysokou početnosťou, počíta sa frekvencia slov (TF):
+\begin{equation}
+    \text{TF}(w,d) = \log(1 + f(w,d))
+\end{equation}\label{eq:1}
+kde $f(w,d)$ predstavuje relatívny počet výskytov slova $w$ v dokumente $d$. Inverzná frekvencia dokumentov (IDF) podľa vzťahu \ref{eq:1} vyjadruje mieru informácie, ktorú slovo poskytuje na základe jeho výskytu $D$:
+\begin{equation}
+    \text{IDF}(w,D) = \log\left(\frac{N}{f(w,D) + 1}\right)
+\end{equation}
+kde $N$ je celkový počet dokumentov. Výsledné TF-IDF je definované ako súčin týchto dvoch hodnôt.
+
+\section{Optimalizácia a redukcia šumu}
+Vektory obsahujú značný šum a redundanciu. Na vyriešenie problému „prekliatia dimenzionality“ a zlepšenie stability zhlukovania bola aplikovaná Metóda hlavných komponentov (PCA).
+
+Tento krok transformuje pôvodné príznaky na množinu hlavných komponentov, ktoré zachytávajú maximálny rozptyl v dátach. Ide o ortogonálnu lineárnu transformáciu do novej bázy, kde prvých $m$ komponentov aproximuje pôvodné dáta. Projekciou dokumentov do tohto redukovaného priestoru sa odstránia menej informatívne dimenzie.
+
+\section{Zhlukovanie}
+K-means je iteračná metóda zhlukovania. Algoritmus rozdeľuje priestor príznakov do $k$ disjunktných regiónov, pričom minimalizuje funkciu nehodnovernosti:
+\begin{equation}
+    L(\Theta) = \frac{1}{n} \sum_{i=1}^n \min_{m=1,\dots,k} \|x_i - \theta_m\|_2^2
+\end{equation}
+kde $\theta_m$ predstavuje súradnice centra $m$-tého zhluku. Aby sa predišlo konvergencii do lokálnych miním, bola zvolená stratégia viacnásobnej inicializácie, kedy sa vyberá riešenie s najnižšou celkovou vnútrozhlukovou sumou štvorcov (WSS).
+
+\section{Stanovenie granularity tém}
+Výber vhodného počtu tém $k$ sa realizuje pomocou „metódy lakťa“. Tento proces analyzuje WSS ako funkciu počtu zhlukov:
+\begin{equation}
+    \text{WSS} = \sum_{i=1}^n l_\Theta^k(x_i)
+\end{equation}
+S narastajúcim $k$ hodnota WSS klesá. Optimálny počet tém sa nachádza v bode, kde dochádza k výraznému zlomu v regresii poklesu (lakeť), čo predstavuje ideálny kompromis medzi komplexnosťou modelu a mierou vysvetleného rozptylu dát.
+
+\section{Interpretácia objavených tém}
+Finálna interpretácia objavených tém:
+\begin{equation}
+    x_{ij} \approx \sum_{k=1}^m \phi_{jk} z_{ik}
+\end{equation}
+Pomocou tejto inverznej transformácie identifikujeme v každom centroide výrazy s najvyššími váhami. Tieto kľúčové slová definujú obsah jednotlivých zhlukov, čím umožňujú kvalitatívne zhodnotenie úspešnosti procesu objavovania tém.
+
+\section{Záver}
+Redukcia dimenzie a následná interpretácia dát sa riadia postupmi PCA. Logika zhlukovania, identifikácia optimálnej granularity a diagnostika modelu sú odvodené z princípov učenia bez učiteľa.

docs/usu_sem2/1/4.tex

@@ -0,0 +1,76 @@
+\section{Cieľ}
+Hlavným cieľom je zistiť, aké tematické oblasti sa prirodzene vyskytujú v kolekcii textov bez toho, aby boli vopred určené triedy alebo kategórie. Ide teda o úlohu učenia bez učiteľa.  
+Na základe štatistického rozdelenia výrazov a podobností medzi dokumentmi zoskupíme články do niekoľkých zhlukov, pričom každý z nich by mal zodpovedať určitej téme.
+
+\section{Matematická reprezentácia textu}
+Na to, aby bolo možné texty matematicky spracovať, je potrebné ich previesť do vektorovej podoby.  
+Využitá bola reprezentácia TF-IDF (\textit{Term Frequency–Inverse Document Frequency}), ktorá priraďuje vyššiu váhu slovám, ktoré sú pre daný dokument typické, ale nie príliš časté.
+
+Frekvencia slov (TF) sa počíta pomocou logaritmickej mierky:
+\begin{equation}
+    \text{TF}(w,d) = \log(1 + f(w,d)) \label{eq:tf}
+\end{equation}
+kde $f(w,d)$ označuje počet výskytov slova $w$ v dokumente $d$.  
+Inverzná frekvencia dokumentov (IDF) vyjadruje, ako informačne je slovo prínosné vzhľadom na svoj výskyt v súbore dokumentov $D$:
+\begin{equation}
+    \text{IDF}(w,D) = \log\left(\frac{N}{f(w,D) + 1}\right) \label{eq:idf}
+\end{equation}
+kde $N$ predstavuje celkový počet dokumentov.  
+Finálna hodnota TF-IDF je daná súčinom týchto dvoch členov.
+
+\section{Optimalizácia a redukcia šumu}
+Vektory TF-IDF obsahujú aj značný šum a redundantné informácie, čo môže negatívne ovplyvniť kvalitu zhlukovania.  
+Preto bola použitá metóda hlavných komponentov (PCA), aby sa znížili rozmery dát a zároveň zachovali čo najviac variabilitu.
+
+PCA premieta pôvodné dáta do priestoru hlavných komponentov, ktoré sú lineárne nezávislé a postupne zachytávajú najväčší rozptyl v dátach.  
+Projekciou na prvých niekoľko komponentov sa odstránia menej informatívne rozmery a tým sa model zjednoduší.
+
+\section{Zhlukovanie}
+Na samotné zhlukovanie bol použitý algoritmus K-means.  
+Ide o iteratívny algoritmus, ktorý rozdeľuje priestor príznakov do $k$ skupín a minimalizuje nasledujúcu funkciu nezhody:
+\begin{equation}
+    L(\Theta) = \frac{1}{n} \sum_{i=1}^n \min_{m=1,\dots,k} \|x_i - \theta_m\|_2^2
+\end{equation}
+kde $\theta_m$ označuje vektor súradníc $m$-tého centra.  
+Aby algoritmus neskončil v lokálnom minime, bola zvolená viacnásobná inicializácia a výsledok s najnižšou vnútrozhlukovou sumou štvorcov WSS.
+
+\section{Stanovenie granularity tém}
+Počet výsledných zhlukov $k$ nebol určený dopredu, ale bol odhadovaný pomocou metódy lakťa.  
+Sleduje sa pritom pokles hodnoty WSS v závislosti od počtu $k$:
+\begin{equation}
+    \text{WSS} = \sum_{i=1}^n l_\Theta^k(x_i)
+\end{equation}
+Pri zvyšovaní $k$ hodnota WSS spravidla klesá.  
+Optimálna hodnota $k$ sa zvolí v mieste, kde sa krivka začne postupne vyrovnávať, teda v „lakti“. Tento bod predstavuje kompromis medzi presnosťou a zložitosťou modelu.
+
+\begin{figure}[h]
+    \centering
+    \includegraphics[width=0.8\textwidth]{wss_plot.eps}
+    \caption{Závislosť sumy štvorcov (WSS) od počtu zhlukov $k$. Lakeť indikuje optimálnu granularitu tém.}
+    \label{fig:elbow}
+\end{figure}
+
+\section{Interpretácia objavených tém}
+Po vykonaní zhlukovania boli centrá jednotlivých zhlukov interpretované ako reprezentanti tém.  
+Použitá bola inverzná transformácia:
+\begin{equation}
+    x_{ij} \approx \sum_{k=1}^m \phi_{jk} z_{ik}
+\end{equation}
+Na základe hodnôt v centre sa vybrali tie výrazy, ktoré mali najvyššie váhy (koeficienty $\phi_{jk}$).  
+Tieto slová vystihujú obsah príslušného zhluku a umožňujú kvalitatívne posúdiť, aké témy boli v kolekcii textov objavené.
+
+\section{Záver}
+Redukcia rozmerov pomocou PCA zlepšila stabilitu a čitateľnosť výsledkov.  
+Zhlukovanie metódou K-means v kombinácii s výpočtom WSS poskytlo praktický nástroj na určenie počtu tém.  
+
+Pre finálny model s $k=8$ boli identifikované nasledujúce tematické oblasti (zoradené podľa dôležitosti slov v centre):
+\begin{itemize}
+    \item Gastronómia: food, city, restaurants, new, york, restaurant, wine.
+    \item Biznis a správy: company, business, said, week, years, year.
+    \item Šéfkuchári a menu: restaurant, mr, chef, opens, news, bar, menu.
+    \item Literatúra a život: life, world, new, book, home, family, father.
+    \item Spoločnosť a ľudia: black, white, people, says, men, women, century.
+    \item Film a TV: movie, tv, times, film, series, story, based.
+    \item Dizajn a architektúra: house, designer, design, early, years, century.
+    \item Umenie a práca: work, artist, art, day, young, life.
+\end{itemize}

docs/usu_sem2/compiled/4.tex

@@ -0,0 +1,54 @@
+\relax 
+\providecommand\hyper@newdestlabel[2]{}
+\@writefile{toc}{\contentsline {section}{\numberline {1}Cieľ}{1}{section.1}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {2}Matematická reprezentácia textu}{1}{section.2}\protected@file@percent }
+\newlabel{eq:tf}{{1}{1}{Matematická reprezentácia textu}{equation.1}{}}
+\newlabel{eq:idf}{{2}{1}{Matematická reprezentácia textu}{equation.2}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {3}Optimalizácia a redukcia šumu}{1}{section.3}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {4}Zhlukovanie}{1}{section.4}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {5}Stanovenie granularity tém}{2}{section.5}\protected@file@percent }
+\@writefile{lof}{\contentsline {figure}{\numberline {1}{\ignorespaces Závislosť sumy štvorcov (WSS) od počtu zhlukov $k$. Lakeť indikuje optimálnu granularitu tém.}}{2}{figure.caption.3}\protected@file@percent }
+\providecommand*\caption@xref[2]{\@setref\relax\@undefined{#1}}
+\newlabel{fig:elbow}{{1}{2}{Závislosť sumy štvorcov (WSS) od počtu zhlukov $k$. Lakeť indikuje optimálnu granularitu tém}{figure.caption.3}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {6}Interpretácia objavených tém}{2}{section.6}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {7}Záver}{3}{section.7}\protected@file@percent }
+\@setckpt{1/4}{
+\setcounter{page}{4}
+\setcounter{equation}{5}
+\setcounter{enumi}{0}
+\setcounter{enumii}{0}
+\setcounter{enumiii}{0}
+\setcounter{enumiv}{0}
+\setcounter{footnote}{0}
+\setcounter{mpfootnote}{0}
+\setcounter{part}{0}
+\setcounter{section}{7}
+\setcounter{subsection}{0}
+\setcounter{subsubsection}{0}
+\setcounter{paragraph}{0}
+\setcounter{subparagraph}{0}
+\setcounter{figure}{1}
+\setcounter{table}{0}
+\setcounter{section@level}{1}
+\setcounter{Item}{0}
+\setcounter{Hfootnote}{0}
+\setcounter{bookmark@seq@number}{7}
+\setcounter{AM@survey}{0}
+\setcounter{caption@flags}{2}
+\setcounter{continuedfloat}{0}
+\setcounter{KVtest}{0}
+\setcounter{subfigure}{0}
+\setcounter{subfigure@save}{0}
+\setcounter{lofdepth}{1}
+\setcounter{subtable}{0}
+\setcounter{subtable@save}{0}
+\setcounter{lotdepth}{1}
+\setcounter{float@type}{64}
+\setcounter{graph}{0}
+\setcounter{pic}{0}
+\setcounter{tabulka}{0}
+\setcounter{lstnumber}{1}
+\setcounter{parentequation}{0}
+\setcounter{imagecounter}{0}
+\setcounter{lstlisting}{0}
+}

docs/usu_sem2/main.tex

@@ -0,0 +1,176 @@
+\documentclass[12pt,a4paper]{article}
+\usepackage[utf8]{inputenc}
+\usepackage[slovak,shorthands=off]{babel}
+\usepackage[T1]{fontenc}
+\usepackage{indentfirst}
+\usepackage[top=2.5cm, bottom=2cm, left=2cm, right=2cm]{geometry}
+\setlength{\headheight}{13.0721pt}
+\usepackage[unicode]{hyperref}
+\usepackage[medium]{titlesec}
+\usepackage{tikz}
+\usetikzlibrary{positioning}
+
+%bakalarka
+%\usepackage{fontspec}
+%\setmainfont{Times} % Sets the font to Times New Roman
+%\usepackage[a4paper, margin=3.5cm, top=2.5cm, bottom=2.5cm, right=2cm, left=3.5cm]{geometry} % Sets the page margins and size
+\usepackage{setspace} % Provides \setstretch command for line spacing
+\setstretch{1.2} % Sets the line spacing to 1.5
+
+%\usepackage[margin=3.5cm, top=2.5cm, bottom=2.5cm, right=2.5cm, left=3.5cm]{geometry} % Sets the page margins and size
+
+%SECTION FONT SIZE
+%SECTION FONT SIZE
+%SECTION FONT SIZE
+\usepackage{titlesec}
+
+
+
+\usepackage[rightcaption]{sidecap}
+%ked napises \frac, dostanes zlomocek, ked napises \ddfrac
+%tak mas formatovanie pre zlozeny zlomok
+\newcommand\ddfrac[2]{\frac{\displaystyle #1}{\displaystyle #2}}
+\usepackage{multirow}
+\usepackage[table,xcdraw]{xcolor}
+% \usepackage[demo]{graphicx}
+\usepackage{siunitx}
+\usepackage{setspace}
+\usepackage{wrapfig}
+\usepackage{enumerate}
+\usepackage{enumitem}
+\usepackage{calc}
+\usepackage{pdfpages}
+\usepackage{graphicx}
+\usepackage{subfig}
+\usepackage{chngcntr}
+\usepackage{textcomp}
+\usepackage{gensymb}
+\usepackage{float}
+\usepackage{caption}
+\newfloat{graph}{htbp}{grp}
+\floatname{graph}{Graf}
+\newfloat{pic}{htbp}{pic}
+\floatname{pic}{Obrázok}
+\newfloat{tabulka}{htbp}{tbl}
+\floatname{tabulka}{Tabulka}
+\usepackage{caption}
+
+\DeclareCaptionFormat{lstlisting}{Príloha \thelstlisting: #3}
+\captionsetup[lstlisting]{format=lstlisting}
+
+% \counterwithin{graph}{section}
+% \counterwithin{figure}{section}
+% \counterwithin{table}{section}
+% \counterwithin{equation}{section}
+
+%\RequirePackage[backend=bibtex, style=trad-abbrv, citestyle=numeric, sorting=none, natbib=true, doi=false, backref=true, defernumbers=true]{biblatex}
+\usepackage[
+    backend=biber, 
+    natbib=true,
+    style=numeric,
+    sorting=none
+]{biblatex}
+\usepackage{csquotes}
+\bibliography{zdroje.bib}
+% Set the language-specific strings
+\DeclareFieldFormat{labeldate}{\mknumalph{#1}} % Remove parentheses around the year
+
+\DefineBibliographyStrings{slovak}{%
+    andothers = {et al.},
+    and = {a},
+    in = {}
+}
+
+\usepackage{listings}
+\usepackage{csquotes}
+\usepackage{steinmetz}
+\usepackage{amssymb}
+\usepackage{amsmath}
+\usepackage{matlab-prettifier}
+\usepackage{bm}
+\usepackage[italicdiff]{physics}
+\usepackage{array}
+\usepackage{tabu}
+\usepackage{comment}
+\usepackage{setspace}
+
+\usepackage{fancyhdr}
+\usepackage{lmodern}
+\pagestyle{fancy}
+
+\rhead{USU}
+
+%OBRAZKY
+\usepackage{caption}
+\usepackage{tocloft}
+\newcounter{imagecounter}
+\usepackage[table]{xcolor}
+\usepackage{tabularx}
+\usepackage{booktabs}
+
+
+
+
+\usepackage{geometry}
+\usepackage{enumitem}
+
+% Custom checklist
+\newlist{checklist}{itemize}{1}
+\setlist[checklist]{
+  label=$\square$,
+  leftmargin=*,
+  nosep
+}
+
+% Code listing setup
+\usepackage{listings}
+\lstset{
+  basicstyle=\ttfamily\small,
+  breaklines=true,
+  frame=single,
+  framerule=0pt,
+  framesep=3pt,
+  xleftmargin=10pt
+}
+
+
+\begin{document}
+
+%vlozi PDFko s nazvom 1.pdf
+
+\include{titulka}
+\pagenumbering{gobble}
+\pagestyle{empty}
+
+%\includepdf[pages=-]{Priečinský.pdf}\label{pdf:1}
+
+%\newpage
+
+\tableofcontents
+
+\listoffigures
+
+%\newpage
+
+%\listoftables
+
+%vlozi list 1.tex
+
+\newpage
+\pagenumbering{arabic}
+\pagestyle{fancy}
+\setcounter{page}{1}
+
+
+\include{1/4}
+
+
+
+\end{document}
+
+
+VELKOSTI NADPISOV
+section = 16pt CAPITAL
+subsection = 14pt normal
+subsubsection = 12pt normal
+subsubsubsection = 11pt normal

docs/usu_sem2/titulka.tex

@@ -0,0 +1,32 @@
+\thispagestyle{empty}
+\begin{center}
+
+{\LARGE\textbf{Žilinská univerzita v Žiline}}
+
+\medskip
+{\large \textbf{Fakulta riadenia a informatiky}}
+
+\medskip
+{\large \textbf{Úvod do strojového učenia}}
+
+\vfill
+{\bfseries \LARGE{Semestrálna práca č. 2}}
+
+\vspace{0.25cm}
+{\large \textbf{Document topic discovery}}
+
+\vfill
+\vfill
+
+
+\noindent
+\textbf{Školský rok:} 2025/26
+\hspace*{\fill}
+\textbf{Skupina:} 5ZIF11
+\hspace*{\fill}
+\textbf{Meno:} Filip Priečinský
+
+\end{center}
+
+\newpage
+\setcounter{page}{1}