|
| |
|
|
Doporučování hudebního obsahu založené na technikách získávání hudební informace
Semela, René ; Schimmel, Jiří (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem, implementací a testováním obsahově založeného systému pro doporučování hudebního obsahu založeném na technikách získávání hudební informace. V úvodu je pozornost věnována problematice získávání hudebních informací, oblastem jejich využití a nástrojům pro jejich získávání. V další řadě jsou popsány nejpoužívanější typy doporučovacích systémů včetně jejich typických problémů. Jako další jsou zmíněny možnosti hybridizace těchto systémů a jako příklad jsou zmíněny populární systémy pro doporučování hudby včetně nástinu principu jejich činnosti. Následující část je věnována parametrizaci hudebních děl a věnuje se popisu konkrétních nejpoužívanějších parametrů. Další část je potom věnována návrhu obsahově založeného doporučovacího systému včetně vytyčení konkrétních parametrů sloužících k diferenciaci hudebních nahrávek pomocí algoritmu mRMR a dalších postupů. Samotný návrh doporučovacího systému je orientován na klasifikační algoritmus k-nejbližších sousedů. Dále je věnována pozornost modelu uživatelského vkusu zaznamenávaného pomocí Rocchio algoritmu. V druhé polovině této práce je systém implementován podle návrhu a je zde popsána jeho činnost včetně procesů probíhajících na pozadí. Závěr práce se potom věnuje testování systému na skupině uživatelů a následnému vyhodnocení.
|
|
|
Automatické tagování hudebních děl pomocí metod strojového učení
Semela, René ; Galáž, Zoltán (oponent) ; Kiska, Tomáš (vedoucí práce)
Systémy pro automatické tagování hudebních děl jsou jednou z mnoha výzev pro obor strojového učení, a to zejména z hlediska komplexnosti celé této problematiky. Praktické uplatnění mohou tyto systémy nalézat zejména v obsahové analýze hudebních děl nebo při třídění obsahu hudebních knihoven. Tato práce se zabývá návrhem, trénováním, testováním a evaluací architektur umělých neuronových sítí pro automatické tagování hudebních děl. V úvodu je pozornost věnována položení ucelených teoretických základů pro tuto problematiku. V praktické části je pak navrženo 8 architektur neuronových sítí (4 plně konvoluční a 4 konvolučně-rekurentní). Tyto architektury jsou následně natrénovány za pomoci MagnaTagATune Dataset a mel spektrogramu a následně je provedeno jejich testování a evaluace. Nejlepších výsledků zde dosahuje čtyřvrstvá konvolučně-rekurentní neuronová síť (CRNN4) s hodnotou ROC-AUC = 0,9046 ± 0,0016. Jako další krok praktické části je vytvořen kompletně nový Last.fm Dataset 2020, který je sestaven díky napojení na API služeb Last.fm a Spotify. Tento nový dataset čítá 100 tagů a 122877 skladeb. Nejúspěšnější architektury jsou na tomto novém datasetu natrénovány, otestovány a evaluovány, a je tak položena základní hranice hodnot ROC-AUC, kterých lze za pomoci tohoto datasetu dosáhnout. Nejlepších výsledků zde dosahuje šestivrstvá plně konvoluční neuronová síť (FCNN6) s hodnotou ROC-AUC = 0,8590 ± 0,0011. Na závěr celé práce je vytvořena jednoduchá aplikace pro otestování jednotlivých architektur neuronových sítí na uživatelem vloženém zvukovém souboru. Práce se svými výsledky vyrovnává světovým pracím na stejné téma a přináší několik nových poznatků a inovací. Z hlediska inovací je zejména dosaženo podstatného snížení komplexnosti jednotlivých architektur neuronových sítí v porovnání se světovými pracemi při zachování podobných výsledků.
|
|
|
Automatické tagování hudebních děl pomocí metod strojového učení
Semela, René ; Galáž, Zoltán (oponent) ; Kiska, Tomáš (vedoucí práce)
Systémy pro automatické tagování hudebních děl jsou jednou z mnoha výzev pro obor strojového učení, a to zejména z hlediska komplexnosti celé této problematiky. Praktické uplatnění mohou tyto systémy nalézat zejména v obsahové analýze hudebních děl nebo při třídění obsahu hudebních knihoven. Tato práce se zabývá návrhem, trénováním, testováním a evaluací architektur umělých neuronových sítí pro automatické tagování hudebních děl. V úvodu je pozornost věnována položení ucelených teoretických základů pro tuto problematiku. V praktické části je pak navrženo 8 architektur neuronových sítí (4 plně konvoluční a 4 konvolučně-rekurentní). Tyto architektury jsou následně natrénovány za pomoci MagnaTagATune Dataset a mel spektrogramu a následně je provedeno jejich testování a evaluace. Nejlepších výsledků zde dosahuje čtyřvrstvá konvolučně-rekurentní neuronová síť (CRNN4) s hodnotou ROC-AUC = 0,9046 ± 0,0016. Jako další krok praktické části je vytvořen kompletně nový Last.fm Dataset 2020, který je sestaven díky napojení na API služeb Last.fm a Spotify. Tento nový dataset čítá 100 tagů a 122877 skladeb. Nejúspěšnější architektury jsou na tomto novém datasetu natrénovány, otestovány a evaluovány, a je tak položena základní hranice hodnot ROC-AUC, kterých lze za pomoci tohoto datasetu dosáhnout. Nejlepších výsledků zde dosahuje šestivrstvá plně konvoluční neuronová síť (FCNN6) s hodnotou ROC-AUC = 0,8590 ± 0,0011. Na závěr celé práce je vytvořena jednoduchá aplikace pro otestování jednotlivých architektur neuronových sítí na uživatelem vloženém zvukovém souboru. Práce se svými výsledky vyrovnává světovým pracím na stejné téma a přináší několik nových poznatků a inovací. Z hlediska inovací je zejména dosaženo podstatného snížení komplexnosti jednotlivých architektur neuronových sítí v porovnání se světovými pracemi při zachování podobných výsledků.
|
|
| |
|
|
Doporučování hudebního obsahu založené na technikách získávání hudební informace
Semela, René ; Schimmel, Jiří (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem, implementací a testováním obsahově založeného systému pro doporučování hudebního obsahu založeném na technikách získávání hudební informace. V úvodu je pozornost věnována problematice získávání hudebních informací, oblastem jejich využití a nástrojům pro jejich získávání. V další řadě jsou popsány nejpoužívanější typy doporučovacích systémů včetně jejich typických problémů. Jako další jsou zmíněny možnosti hybridizace těchto systémů a jako příklad jsou zmíněny populární systémy pro doporučování hudby včetně nástinu principu jejich činnosti. Následující část je věnována parametrizaci hudebních děl a věnuje se popisu konkrétních nejpoužívanějších parametrů. Další část je potom věnována návrhu obsahově založeného doporučovacího systému včetně vytyčení konkrétních parametrů sloužících k diferenciaci hudebních nahrávek pomocí algoritmu mRMR a dalších postupů. Samotný návrh doporučovacího systému je orientován na klasifikační algoritmus k-nejbližších sousedů. Dále je věnována pozornost modelu uživatelského vkusu zaznamenávaného pomocí Rocchio algoritmu. V druhé polovině této práce je systém implementován podle návrhu a je zde popsána jeho činnost včetně procesů probíhajících na pozadí. Závěr práce se potom věnuje testování systému na skupině uživatelů a následnému vyhodnocení.
|
host ::
RSS.