Αυτόματη ταξινόμηση και ανάλυση βυζαντινής μουσικής με
τεχνολογίες τεχνητής νοημοσύνης

Παπασάββας, Νεόφυτος

dc.contributor.author	Παπασάββας, Νεόφυτος	el
dc.date.accessioned	2020-12-18T07:08:41Z
dc.date.available	2020-12-18T07:08:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52590
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20288
dc.rights	Default License
dc.subject	Βυζαντινή μουσική	el
dc.subject	Ανάκτηση μουσικής πληροφορίας	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ταξινόμηση μουσικού είδους	el
dc.subject	Deep learning	en
dc.title	Αυτόματη ταξινόμηση και ανάλυση βυζαντινής μουσικής με τεχνολογίες τεχνητής νοημοσύνης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-18
heal.abstract	Η παρούσα διπλωματική εργασία ασχολείται με την ταξινόμηση ψαλμωδιών στους οκτώ ήχους της Βυζαντινής Μουσικής. Θα γίνει χρήση τεχνολογιών Τεχνητής Νοημοσύνης και Βαθιάς Μηχανικής Μάθησης. Το παρόν θέμα ανήκει στον κλάδο της Ανάκτησης Μουσικής Πληροφορίας (Music Information Retrieval, MIR) και πρόκειται για κάτι καινοτόμο, αφού παρόλο που η ταξινόμηση μουσικής ανά είδος είναι τομέας στον οποίο που έχουν γίνει πολλές έρευνες με πολύ καλά αποτελέσματα, δεν έχει γίνει κάτι αντίστοιχο για Βυζαντινή Μουσική, η οποία έχει αξιοσημείωτους ιδιωματισμούς σε σχέση με την ευρωπαϊκή-δυτική μουσική. Η εποχή μας χαρακτηρίζεται από την εξάπλωση της τεχνολογίας και των αυτοματισμών σε όλους τους τομείς της καθημερινότητάς σε πολύ μεγάλο βαθμό. Αυτό έχει άμεση επίδραση και στον τομέα της μουσικής, με σημαντικά αποτελέσματα και πολύ καλές προσπάθειες για δημιουργία νέας μουσικής σύνθεσης. Η ταξινόμηση τραγουδιών ανά κατηγορία έχει χρησιμοποιηθεί σε πολλούς τομείς της καθημερινότητας όπως τα συστήματα προτάσεων και μπορεί να χρησιμοποιηθεί σαν μέρος άλλων πιο σύνθετων εργασιών. Η προσέγγιση του θέματος θα γίνει χρησιμοποιώντας επιβλεπόμενη μάθηση σε ηχογραφήσεις ψαλμωδιών στους οκτώ ήχους της βυζαντινής μουσικής. Οι ηχογραφήσεις θα είναι υψηλής ποιότητας για να είναι όσο το δυνατό πιο ακριβή τα χαρακτηριστικά που θα εξαχθούν. Τα μουσικά αρχεία θα επεξεργαστούν και από αυτά θα εξαχθούν χαρακτηριστικά, τα οποία θα περαστούν σε νευρωνικό δίκτυο για εκπαίδευση αφού έρθουν στην κατάλληλη μορφή. Το δίκτυο θα αποτελείται από 2 ή περισσότερα κρυφά επίπεδα. Θα δοκιμαστούν διάφορες τεχνικές προεπεξεργασίας δεδομένων και βελτιστοποίηση του νευρωνικού δικτύου, για βελτίωση αποτελεσμάτων.	el
heal.abstract	The present dissertation deals with the classification of psalms into the eight sounds of Byzantine Music. Artificial Intelligence and Deep Machine Learning technologies will be used. This topic belongs to the field of Music Information Retrieval (MIR) and it is something innovative, since although the classification of music by genre is an area that a lot of research has been done with very good results, nothing similar has been done for Byzantine Music, which has remarkable idioms in relation to European-Western music. Our age is characterized by the spread of technology and automation in all areas of everyday life to a great extent. This has a direct impact in the field of music, with significant results and very good efforts to create a new music composition. Classification of songs by category has been used in many areas of everyday life such as recommender systems and can be used as part of other more complex tasks. The subject will be approached by using supervised learning in recordings of psalms in the eight sounds of Byzantine music. The recordings will be of high quality so that the extracted features will be as accurate as possible. The music files will be processed and features will be extracted from them, which will be passed on to a neural network for training once they are in the appropriate format. The network will consist of 2 or more hidden levels. Various data preprocessing techniques and neural network optimization will be tested to improve results.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.committeeMemberName	Κόλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false