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

Μάκαρης, Νικόλαος Δ.; Makaris, Nikolaos D.

dc.contributor.author	Μάκαρης, Νικόλαος Δ.	el
dc.contributor.author	Makaris, Nikolaos D.	en
dc.date.accessioned	2020-12-16T08:51:05Z
dc.date.available	2020-12-16T08:51:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52552
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20250
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Music genre recognition	en
dc.subject	Αναγνώριση είδους μουσικής	el
dc.subject	Συμβολικά δεδομένα - MIDI	el
dc.subject	Symbolic data - MIDI	en
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Convolutional neural networks	en
dc.title	Αναγνώριση είδους μουσικής από συμβολικά δεδομένα (MIDI) με τεχνικές μηχανικής μάθησης	el
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.type	bachelorThesis
heal.secondaryTitle	Music genre recognition from symbolic data (MIDI) using machine learning techniques.	en
heal.generalDescription	Η ταξινόμηση μουσικής είναι ένας ευρύς και διεπιστημονικός τομέας έρευνας που προσφέρει σημαντικά οφέλη τόσο από ακαδημαϊκή όσο και από εμπορική άποψη. Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η προσπάθια προσέγγισης του προβλήματος της κατηγοριοποίησης είδους μουσικής ( music genre recognition - MGR ) από συμβολικά δεδομένα ( MIDI ) με τεχνικές μηχανικής μάθησης ( Machine Learning ). Ουσιαστικά, ο πρωταρχικός στόχος αυτής της διπλωματικής εργασίας είναι η παραγωγή ενός αποτελεσματικού και εύχρηστου συστήματος λογισμικού που θα μπορούσε να ταξινομήσει αυτόματα τα μουσικά κομμάτια από συμβολικά δεδομένα ( MIDI δεδομένα) σε είδος μουσικής. Αυτό θα γίνει χρησιμοποιώντας νευρωνικά δίκτυα ( Neural Networks ), αφού έχει επισημανθεί με μια δεδομένη κατηγοροποίηση είδους και εκπαιδεύτεί σε ένα σύνολο δεδομένων. Προτού επιτευχθεί αυτό, φυσικά, υπάρχουν ορισμένες ενδιάμεσες εργασίες που πρέπει να ολοκληρωθούν, η καθεμία με διαφορετικό βαθμό δυσκολίας και της δικής της ερευνητικής αξίας από μόνη της. Η κατηγοριοποίηση σε είδος μουσικής χρησιμοποιείται από μουσικούς συνθέτες, μουσικές βιβλιοθήκες και άτομα γενικά ως πρωταρχικό μέσο οργάνωσης μουσικής. Δεν υπάρχει αμφιβολία ότι το είδος είναι ένα από τα πιο σημαντικά μέσα που είναι διαθέσιμα για την ταξινόμηση και την οργάνωση της μουσικής. Η αυτόματη αναγνώριση είδους μουσικής αποτελεί ένα από τα πιο ενεργά πεδία έρευνας MIR . Ωστόσο, η περισσότερη έρευνα σε αυτό το κομμάτι γίνεται χρησιμοποιώντας ηχητικά δεδομένα ( audio data ), δηλαδή γίνεται προσπάθια κατηγοριοποίηση του είδους μέσω επεξεργασία σήματος είτε με εξαγωγή χαρακτηριστικών ( feature extraction ) και εκμάθηση χαρακτηριστικών ( feature learning ) μέσω νευρωνικών δικτύων. Επίσης γίνεται έρευνα για την ίδια προσπάθεια, αναλύοντας στίχους των κομματιών και εξάγωντας συμπεράσματα από αυτά. Στη παρούσα εργασία, αντιθέτως, θα χρησιμοποιήσουμε συμβολικά δεδομένα, δηλαδή δεδομένα MIDI για την ταξινόμηση σε είδη μουσικής.	el
heal.classification	Electrical and Computer Engineering	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-18
heal.abstract	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
heal.abstract	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
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	137 σ.	el
heal.fullTextAvailability	false