మీరు ఈ ప్రక్రియను పాటించటానికి ముందు మీరు మీ డ్రైవులన్నింటినీ మౌంట్ చేసుకోవాలి.

1. అవి ఏ పేరుతో మౌంట్ అవుతున్నాయో గమనించండి, ఇవి చూడటానికి మీరు క్రింద తెలిపిన కమాండును టెర్మినల్ లో టైప్ చేస్తే వాటి పేర్లు చూపుతుంది.

ls /media/

చూపిన పేర్లను నోట్ చేసుకోండి. (గమనిక :‌ Disk అన్నదానికీ disk అన్నదానికీ తేడా ఉంది.)

2. క్రింద తెలిపిన కమాండును టెర్మినల్ లో టైప్ చేయగానే ఒక టేక్స్టు ఫైల్ ఓపెన్ అవుతుంది.

gedit /etc/mtab

మీరు ఏ డ్రైవులనైతే మౌంట్ చేశారో, వాటికి సంభందించిన లైంలు క్రింద తెలిపిన విదంగా ఉంటాయి.

/dev/sda6 /media/disk fuseblk rw,nosuid,nodev,uhelper=hal,shortname=mixed,uid=1000,utf8,umask=077,flush 0 0

చివరిలో ఉన్న ఇలాంటి లైన్లు అన్నింటినీ కాపీ చేసుకోండి. ఆ ఓపెన్ ఐన ఫైల్ను మూసివేయండి.

3. క్రింద తెలిపిన కమాండును టెర్మినల్ లో టైప్ చేయగానే వేరొక టేక్స్టు ఫైల్ ఓపెన్ అవుతుంది.

sudo gedit /etc/fstab

ఇందులో చివరిలో మీరు కాపీ చేసుకున్న లైంలను పేస్ట్ చేయండి.(Enter నొక్కిన తరువాత కొత్త లైనులో పేస్టు చేయాలి)

ఒక వేళ fuseblk అని ఎక్కడైనా కనబడితే, దాన్ని ntfsగా మార్చండి.

Save చేసి దీనిని మూసివేయండి.

ఇలా చేస్తే చాలు, కానీ… పొరపాటుగా విండోస్ ను(ఒక వేళ మీ కంప్యూటర్లో ఉంటే) సరిగా Shutdown చేయనట్టైతే చిక్కుల్లో పడతారు. దీనికి పరిష్కారం క్రింద తెలిపిన ప్రక్రియను జాగ్రత్తగా పాటిస్తే చాలు.

1. క్రింద తెలిపిన కమాండును టెర్మినల్ లో టైప్ చేయండి. అన్ని డ్రైవులూ unmount అవుతాయి. ఇలా చేసేటప్పుడు ఏ డ్రైవునుంటి కూడా ఫైల్లను వాడుతూ ఉండరాదు. అంటే పాటలు సినిమాలూ ఇలాంటివి అన్నమాట.(అవి ఈ డ్రైవుల్లో ఉంటేనే).

sudo umount -a

2. ఇప్పుడు, క్రింద తెలిపిన కమాండును టెర్మినల్ లో ఒక్కొక్క డ్రైవ్ కూ ఒక్కొక్క సారి వాడవలసి ఉంటుంది.

sudo mkdir /media/disk    —-    ఇక్కడ disk అన్నది డ్రైవ్ పేరు. ఇలా ప్రతి డ్రవ్ కూ చేయాలి( disk అని ఉన్న స్థానంలో మీరు ls /media/ అన్న కమాండ్ నుంటీ నోట్ చేసుకున్నారు కదా! ఆ పేర్లు ఒక్కొక్కటిగా వాడండి ).

ఉదాహరణకు :

sudo mkdir /media/fun

sudo mkdir /media/Videos

3.  క్రింద తెలిపిన కమాండును టెర్మినల్ లో టైప్ చేయగానే అన్ని డ్రైవ్ లనూ మౌంట్ చేస్తుంది.

sudo mount -a

ఇక మీరు ఎప్పుడు కంప్యూటర్ను స్టార్టు చేసినా అన్ని డ్రైవులూ వాటంతటవే మౌంటు అవుతాయి. ఒక వేళ అవ్వకపోతే, రీస్టార్టు చేయండి, లేదా sudo mount -a కమాండును వాడి చూడండి.

మీరు కంప్యూటర్ ఆన్ చేయగానే, మీ కంప్యూటర్లో లినక్స్ కనుక ఇంస్టాల్ చేసి ఉన్నట్టైతే, ఒక లిస్టు వచ్చి అందులోంచి ఏ ఆపరేటింగ్ సిస్టం కావాలో ఎంచుకోమంటుంది. దీన్నే గ్రబ్ అంటాం. కొంత సమయం ఇస్తుంది, సామాన్యంగా మూడు లేదా పది సెకంలు ఇస్తుంది.

ఆ లిస్టులో ఉన్న పేర్లు, వాటి సంఖ్య మరియూ నిర్నయం తీసుకోవటానికి కేటయించిన సమయం, వీటిని మార్చటం ఎలా?

మీరు లినక్స్లోకి బూట్ అవ్వలి, టెర్మినల్ ను తెరవాలి. క్రింద తెలిపిన కమాండ్ టైప్ చేసి ఎంటర్ నొక్కాలి.

sudo gedit /boot/grub/menu.lst

ఒక వేళ మీరు gedit బదులుగా వేరే ఎడిటర్ వాడుతున్నటైతే, ఆ ఎడిటర్ యొక్క కమాన్డును టైప్ చేయండి. ఉదాహరణకు మీరు vim వాడుతున్నటైతే క్రింద చూపిన విదంగా టైప్ చేయాలి.

sudo vim /boot/grub/menu.lst

అలా చేయగానే మీ ఎడిటర్లో ఒక ఫైల్ తెరుచుకొంటుంది.

అందులో ఎక్కడైతే ‘#’ గుర్తు మొదట్లో ఉంటుందో ఆ లైన్ల వల్ల ఒరిగేది ఏమీ ఉండదు. వాటిని మనం పట్టించుకోనవసరం లేదు.

ఒక లైన్ లో default 0 ఇలా కనిపిస్తే, మనం ఏ అప్పరేటింగ్ సిస్టమ్ను టైమౌట్ తరువాత బూట్ చేయాలి అన్నదాన్ని default తరువాత ఉన్న సంఖ్య నిర్నయిస్తుంది. దీన్ని 2గా మరిస్తే మూడవ లైన్ లో ఉన్న ఆపరేటింగ్ సిస్టమ్ను టైమౌట్ తరువాత బూట్ చేస్తుంది.

2 గా మారిస్తే మూడో ఆపరేటింగ్ సిస్టం బూట్ చేస్తుంది.
0 – మొదటిది
1 – రెండోది
2 – మూడోది
(అభిప్రాయాలలో హరిగారు సరిచేసినట్టుగా మార్చటం జరిగింది)

అభిప్రాయాలలో చంద్ర మోహన్ గారు తెలిపినట్టుగా, మీరు కెర్నేల్ను అప్డేడ్ చేసిన ప్రతిసారీ, ఈ లిస్టులో కొత్త లైన్లు వచ్చి చేరుతాయి, కావున ఈ సంఖ్యను మార్చకపోవటమే మంచిది.

మరొక లైన్ లో timeout 10 అని కనిపిస్తే. దీని సంఖ్యను 20గా మరిస్తే 20 సెకంలు వేచి ఉంటుంది.

క్రిందకు స్క్రోల్ చేస్తే క్రింద చూపిన విదంగా పేరాలు ఉంటాయి.

title        Ubuntu 8.10, kernel 2.6.27-14-generic
uuid        e588c42f-0eea-b38b-532dde0f2106
kernel        /boot/vmlinuz-2.6.27-14-generic root=UUID=e588c42f ro quiet splash
initrd        /boot/initrd.img-2.6.27-14-generic
quiet

ఇక్కడ title అని మొదటి లైను ఉంటుంది, దాని ముందు ‘#’ గుర్తు పెట్టినట్టైతే అది గ్రబ్ లో కంపడదు. ఇలా మీరు వద్దనుకున్న వాటన్నిటి ముందూ ఈ గుర్తుని పెట్టండి.

title        Ubuntu 8.10, memtest86+ ఇలాంటిది ఏదైనా ఉంటే, దాని ముందు # గుర్తుని ఉంచకపోవటం మంచిది.

title        Gavesh’s Linux అని మారుస్తే గ్రబ్ లో కూడా ఇలానే వస్తుంది. మీ పేరు పెట్టండి.

ఇక సేవ్ చేసి క్లోజ్ చేసేయండి. ఇక రీబూట్ చేయగానే మీరు చేసిన మార్పులతో గ్రబ్ వస్తుంది.

Paper details: “Automatic Generation of Tamil Lyrics for Melodies.”
Authors: Ananth Ramakrishnan A., Sankar Kuppan and Sobha Lalitha Devi

I was browsing through the schedule page of a workshop on: “Computational Approaches to Linguistic Creativity”, 2009. I came across this title – “Automatic generation of Tamil lyrics for melodies” and was quite fascinated by it. I am perennially suspicious about works on such sci-fi topics and their efficiency levels. Nevertheless, I was eager to read it. Back then, the workshop did not happen and the paper was not accessible for download. Now, it is, and I finally got a chance to have a look at it (Interested? download-here)

So, as the name indicates, this explains a system which generates lyrics for a given melody, automatically. They did this for Tamil. There was a kind of general overview of the process and a mention about related work. There was this reference to a work about a “poetry generation system” !! I was shocked to a considerable extent. Most of human poetry itself is unreadable and sometimes crappy. We think about Poetry generation! Man’s imagination indeed roams freely in thin air There was even this reference to some work on “lyric generation strategies” and I thought – “Oh! this is not sci-fi then, if so many are working in this direction!”

Coming to the paper, the process of lyric generation involves 2 steps:
1. Syllabic pattern generation
2. Identifying a phrase matching this pattern, as well as satisfying other word/sentence/rhyming requirements.

For the first part, they used a notation called KNM. K stands for Kuril-Short vowel, N for Nedil- Long vowel and M for Mei-Consonants. Taking their own example, the word thAmarai will be broken as “thA-ma-rai” and will be labelled as NKN. To generate such patterns for a given melody, they have used Machine Learning (specifically the Conditional Random Fields aka CRFs) to train a system to learn these patterns. The system was trained with sample film songs and their lyrics as input (and… I got doubts about the size of data they trained with..). This trained model is used to then label a given melody with a syllabic pattern. This pattern is then given to a sentence generation module which generates a sentence that satisfies the following conditions:
1. Words should match the syllabic pattern
2. Sequence of words should have a meaning.

This is like a baseline level work and they mention about the ways they plan to improve their system in future. They also plan to experiment more with different strategies as well as different domain data sets. Finally, they mention my “sci-fi” idea of poetry generation again
This is an extra brief summary about it. For more details, go on and visit it online.

I know, I am going beyond the scope of the way I wanted my blog to be when I began it. But, three years is a long time and thoughts run wild. I know, perhaps I am going beyond the scope of my readers’ expectations too. But, this is my only mouthpiece

I heard this name called: “Kneser-Ney Smoothing” the other day and got curious to know what it is. (To understand what Smoothing means, go to the wiki page here). When I did my introductory course in Natural language processing, I came to know about smoothing for statistical language modelling (in late 2006). Back then, as far as I remember, we read about only three things:
1. Add one smoothing
2. Turing estimation
3. Witten-Bell smoothing
- I ofcourse dont remember anything but the names, though :p

Okay, in my over-curiosity to know more about Kneser-Ney smoothing, I found this presentation on smoothing techniques in NLP by Bill MacCartney. Again, since I don’t need anything from this specifically, at the moment, I just browsed through the PPT to understand the gist of it. Heres what I learnt on different smoothing mechanisms:

1. Add-one smoothing is the simplest possible and least effective one – as the textbooks say.
2. There is something called Additive smoothing, which, from my understanding is similar to Add-one smoothing, except that here, its not add-1 but add-some number between 0 and 1.
3. Good Turing estimation – which aims at re-allocating the probabilities of those n-grams that occur (r+1) times in training data to the mass of n-grams that occur r-times. [If you are more curious, and need an example, see the PPT slides. If you extra curious, go ahead and visit the wiki page]
4. Jelinek-Mercer smoothing – is a kind of interpolative method. Quoting from the ppt: “nth-order smoothed model is defined recursively as a linear interpolation between the nth-order ML model and the (n − 1)th-order smoothed model.” Did not realize that theres a name for this I used a similar idea sometime back, without realizing that theres a name for it!
5. Katz Smoothing – This can best be explained by using the words from the PPT again:
“Count mass subtracted from nonzero counts is redistributed among the zero-count bigrams according to next lower-order distribution”
6. Witten Bell Smoothing – A kind of Jelinek Mercer smoothing.
7. Absolute Discounting – From what I understood, this is a kind of hybrid between interpolation kind of smoothing like Witten bell and discounting kind of smoothing like Katz.
8. Kneser-Ney Smoothing – the one for which this search began! this was described as an extension of absolute discounting. Anyways, after reading all these, I actually forgot that my search began with this name!

There were some comments on interpolation kind of smoothing vs discounting kind of smoothing – compare and contrast stuff.

On the whole, educative. Would have been interesting if I were actually a student of this course now, and was asked to implement all these programatically and write a report with performance analysis

Situation: You need some text boxes disable when gridview is in edit mode.
=======

Solution:
======

1) Bind the Data without Sqldatasource Control
2) In Row Editing write the code:

protected void GridView1_RowEditing(object sender, GridViewEditEventArgs e)
{
GridView1.EditIndex = e.NewEditIndex;
gridbind();
TextBox tx_chdets = (TextBox)GridView1.Rows[e.NewEditIndex].FindControl(”TextBox1″);
tx_chdets.Readonly=true;

}

In some situations we must insert a bunch of data into database table.

Just when we done some entry every entry must first go to gridview after all the entries completion we will push all the data by single click.

For this we need a run-time datatable:

Here is the code:

1) Decalare a Datatable globally.

DataTable dt1;

2) In the event you like place this code:

DataSet ds2 = new DataSet();

if (Session["dt1"] != null)
{

dt1 = Session["dt1"] as DataTable;
}
else
{
dt1 = new DataTable();

dt1.Columns.Add(”Name”);
dt1.Columns.Add(”Rollno”);