|
|
Statistical machine learning with applications in music
Janásková, Eliška ; Večeř, Jan (vedoucí práce) ; Hlávka, Zdeněk (oponent)
Cílem této práce je vytvořit strojově generovanou hudbu na základě písní od Beatles s využitím výzkumného projektu Magenta od týmu Google Brain, odvodit vzorce pro backpropagaci v rekurentní neuronové síti s LSTM buňkami, kterou Magenta využívá, přiblížit techniky strojového učení a srovnat je s metodami matematické statistiky. Pro podrobnější rozbor uměle vytvořených skladeb se omezíme pouze na monofonní melodie. Natrénujeme tři modely hlubokého učení se třemi různými konfiguracemi (Basic, Lookback, and Atten- tion) a porovnáme jednotlivé výsledky. I přes to, že uměle vytvořené skladby nejsou tak poutavé jako původní Beatles, jsou docela líbivé. Na základě analýzy založené na hudebně informačních metrikách se uměle vygenerované melodie liší od těch originálních zejména v délce not a rozdílech výšek mezi po sobě jdoucími notami. Umělé vytvořené melodie používají kratší noty a rozdíly ve výškách po sobě jdoucích not jsou větší. 1
|
|
|
Statistical machine learning with applications in music
Janásková, Eliška ; Večeř, Jan (vedoucí práce) ; Hlávka, Zdeněk (oponent)
Cílem této práce je shrnout současný stav strojového učení pro skládání hudby a natrénovat model na písních od Beatles s využitím výzkumného pro- jektu Magenta od Google Brain týmu k tvorbě vlastní hudby. Abychom mohli provést důkladný rozbor vygenerované hudby, omezili jsme se pouze na mono- fonní melodie Natrénujeme celkem tři různé modely na základě tří různých konfigurací (Basic, Lookback a Attention) a porovnáme vygenerované výsledky. I přes to, že se vygenerovaná hudba původním Beatles příliš nepodobá, je docela líbivá. Podle naší analýzy založené na hudebně informativních metrikách se vygenerované melodie liší od těch původních zejména v délce not a v rozdílech výšky po sobě jdoucích tónů. Vygenerované melodie obsahují kratší noty a větší rozdíly mezi jednotlivými výškami. V teoretickém pozadí se věnujeme nejčastěji používaným algoritmům stro- jového učení, zavádíme neuronové sítě a shrnujeme důležité milníky strojového učení pro generování hudby. 1
|
|
|
Volba parametru averze k riziku v optimalizaci
Janásková, Eliška ; Kopa, Miloš (vedoucí práce) ; Lachout, Petr (oponent)
Cílem této práce je studovat chování portfolia slo¾eného z daných akcií pro rùzné parametry averze k riziku. Nejprve popí¹eme, jaké vlastnosti by mìla splòovat vhodná míra rizika a poté uká¾eme, které z nich tyto vlastnosti opravdu splòují. Pøedstavíme Markowitzùv model a Mean-CVaR model, které slou¾í k optimalizaci portfolia. Z historických dat poté pomocí Mean-CVaR modelu urèíme pro dané akcie jejich zastoupení v optimálním portfoliu v závislosti na parametru averze k riziku a podíváme se, jak by si toto portfolio vedlo v následujících obdob ích. Na základì tìchto výpoètù budeme diskutovat výbìr vhodného parametru. Powered by TCPDF (www.tcpdf.org)
|
host ::
RSS.