1. Home page
  2. Search

Αναγνώριση είδους μουσικής από συμβολικά δεδομένα (MIDI) με τεχνικές μηχανικής μάθησης

This item is provided by the institution :
National Technical University of Athens   

Repository :
Digital Library of National Technical University of Athens | Dspace@NTUA   

see the original item page
in the repository's web site and access all digital files if the item*



Αναγνώριση είδους μουσικής από συμβολικά δεδομένα (MIDI) με τεχνικές μηχανικής μάθησης (EL)
Μάκαρης, Νικόλαος Δ. (EL)
Makaris, Nikolaos D. (EN)
ntua (EL)
Σταφυλοπάτης, Ανδρέας Γεώργος (EL)
Στάμου, Γεώργιος (EL)
Παπασπύρου, Νικόλαος (EL)
bachelorThesis
2020-11-18
2020-12-16T08:51:05Z
Το θέμα της παρούσας διπλωματικής εργασίας είναι η αναγνώριση είδους μουσικής με ανάλυση μουσικών κομματιών από συμβολικά δεδομένα, δηλαδή δεδομένα που είναι κωδικοποιημένα σε MIDI (Musical Instrument Digital Interface) μορφή, βασισμένη σε αρχιτεκτονικές βαθιάς μηχανικής μάθησης (Deep Learning) . Το θέμα αναγνώρισης είδους μουσικής ( MGR - Music Genre Recognition ) αποτελεί ένα ενεργό πρόβλημα στον τομέα της άντληση πληροφορίας από μουσική ( MIR - Music Information Retrieval) και συνδέεται με πολλές ερευνητικές μελέτες τα τελευταία χρόνια. Θα χρησιμοποιηθεί επιβλεπόμενη μηχανική μάθηση και πιο συγκεκριμένα, συνελικτικά νευρωνικά δίκτυα ( CNN ) για την ταξινόμηση κομματιών σε συγκεκριμένες κατηγορίες. Επιλέχθηκαν διάφορα σύνολα δεδομένων για τα πειράματά μας, όπως τα Million Song Dataset, Tagtraum , Lastfm , τα οποία είναι ευρέως διαδεδομένα στον συγκεκριμένο τομέα της MIR . Περιλαμβάνεται επίσης μια συζήτηση περί κάποιων θεωρητικών θεμάτων που σχετίζεται με τα είδη της μουσικής, δηλαδή οι μηχανισμοι που χρησιμοποιούν οι άνθρωποι για να κατηγοριοποιήσουν τη μουσική ανά είδος και το εάν μπορούν να δημιουργηθούν αντικειμενικές ταξινομήσεις είδους μουσικής. (EL)
Subject of this diploma thesis is Music Genre Classification by analyzing musical pieces that are in MIDI (Musical Instrument Digital Interface) format utilizing Deep Learning techniques. The subject of automatic music genre recognition (MGR) from MIDI music tracks has been an active problem in the field of MIR (Music Information Retrieval) and it is associated with a lot of research studies in the recent years. Supervised machine learning techniques and more specifically, convolutional neural networks (CNN) will be used to classify musical pieces into specific categories. Various data sets were selected for our experiments, such as Million Song Dataset, Tagtraum, Lastfm, which are widely used in this field of MIR. (EN)
Νευρωνικά δίκτυα (EL)
Συμβολικά δεδομένα - MIDI (EL)
Αναγνώριση είδους μουσικής (EL)
Μηχανική μάθηση (EL)
Συνελικτικά νευρωνικά δίκτυα (EL)
Neural networks (EN)
Machine learning (EN)
Music genre recognition (EN)
Convolutional neural networks (EN)
Symbolic data - MIDI (EN)
Greek
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης (EL)
Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης (EL)
Αναφορά Δημιουργού 3.0 Ελλάδα
http://creativecommons.org/licenses/by/3.0/gr/
National Technical University of Athens
Digital Library of National Technical University of Athens | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Διπλωματικές Εργασίες



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)