Автор молодец выполнил работу раньше срока. Спасибо
Подробнее о работе
Гарантия сервиса Автор24
Уникальность не ниже 50%
ВВЕДЕНИЕ
Применение машинного обучения применительно к звуковым сигналам началось ещё в конце восьмидесятых годов, однако действительно активное применение и изучение началось в середине двухтысячных. В связи с развитием компьютерной техники стало возможно обрабатывать аудиосигналы на небольшом домашнем компьютере, а не на огромных вычислительных комплексах. Так вместе с возможностями пришли и проекты. Машинное обучение начало активно изучаться в сферах синтеза и распознавания голоса, определения музыкальных композиций, распознавания музыкальных инструментов, также оно получило активное применение в рекомендательных системах.
Рекомендательные системы начали появляться в середине девяностых годов, на заре развития интернета, но активное распространение они начали получать только с середины двухтысячных.Стимулировала развитие компания Netflix, которая на тот момент занималась видеопрокатом. Клиенты заказывали диски с видео через интернет и получали (и отправляли обратно) по почте. На сайте компании каждый пользователь мог оценить фильм по шкале от 1 до 5. В процессе развития компания накопила огромную базу оценок фильмов и использовала её для рекомендаций фильмов клиентам.Netflixпоэтому объявила соревнование с призом в миллион долларом, целью которого являлось улучшение рекомендательного алгоритма на 10%. Хоть соревнование выиграла одна команда, оно дало толчок появлению интереса к рекомендательным с системам и их развитию.
Звуковой сигнал и его особенности играют не последнюю роль в рекомендательных системах. Так он используется в системах контентной фильтрации. На основе сигнала и ряда его признаков пользователю рекомендуют песни похожие на те, что он слушал ранее.
АННОТАЦИЯ 5
ВВЕДЕНИЕ 6
1 СИСТЕМЫ РЕКОМЕНДАЦИЙ 7
1.1 Контентная фильтрация 8
1.1.2 Источники данных для контентной фильтрации 9
1.2 Коллаборативная фильтрация 11
1.3 Гибридные методы 13
1.4 Рекомендательные алгоритмы 13
1.5 Обзор существующих систем 15
1.5.1 Яндекс. Музыка 16
1.5.2 Applemusic 17
1.5.3 В контакте 18
1.5.4 Last.fm 18
1.5.5 Pandora 19
2 ОСОБЕННОСТИ ИЗВЛЕКАЕМЫЕ ИЗ АУДИОСИГНАЛА 20
2.1 Мел-частотные кепстральные коэффициенты 21
2.2 Спектральные признаки 28
2.3 Признаки высоты звука 30
2.4 Ритмические характеристики 31
3 ПРАКТИЧЕСКАЯ ЧАСТЬ 32
3.1 Анализ способов извлечения особенностей из аудиосигнала 32
3.2 Поиск похожих композиций на основе мел-частотных кепстральных коэффициентов 39
Заключение 42
Список литературы 43
АННОТАЦИЯ
Дипломная работа на тему «Применение машинного обучения для обработки звуковых сигналов».
Работа содержит 45 страниц машинописного текста, 2 таблицы, 24 рисунка и 16 формул. Для написания работы использованы 24 источника.
Работа состоит из введения, трёх глав, заключения и списка использованной литературы.
Во введении раскрывается актуальность и новизна выбранной темы, описываются цель и задачи аттестационной работы.
В первой главе выполнен теоретический обзоррекомендательных систем, методов, применяемых в таких системах и особенностей извлекаемых из звукового сигнала
Вторая глава посвящена изучению особенностей извлекаемых из аудиосигнала. В ней описаны мел- частотные кепстральные коэффициенты, спектральные особенности,признаки высоты звука, характеристики ритма.
В третьей главе описана практическая часть работы, описаны способы извлечения признаков и рассмотрен алгоритм нахождения похожих аудио записей.
В заключении обобщается проделанная работа и формулируются выводы.
Ключевые слова:машинное обучение, обработка звуковых сигналов, рекомендательные системы.
1. Алдошина И., Приттс Р. Музыкальная акустика. СПб.: Композитор, Санкт-Петербург, 2006. – 720 с.
2. Вахромеев В. А. Элементарная теория музыки.М.: Музгиз, 1961. – 244 с.
3. Введение в цифровую обработку речевых сигналов: учеб. пособие / Х. М. Ахмад, В. Ф. Жирков; Владимирский гос. ун-т. – Владимир: Изд-во Владимирского гос. ун-та, 2007. – 192 с
4. Воронцов К. В. Лекции по логическим алгоритмам классификации. 2007. –53 с
5. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования.М.: МЦНМО, 2013. – 390 с.
6. Маннинг К. Д., Рагхаван П., Шютце Х. Введение в информационный поиск. М.: Вильямс, 2011. – 528с.
7. Пратик Дж. Искусственный интеллект с примерами на Python М.: Вильямс, 2019. – 450 с.
8. Сергиенко А. Б. Цифровая обработка сигналов. СПБ: Питер, 2006. –751 с.
9. Как работают рекомендации в Apple Music и как им помочь // AppleInsider.ruURL: https://appleinsider.ru/tips-tricks/kak-rabotayut-rekomendacii-v-apple-music-i-kak-im-pomoch.html (дата обращения: 26.06.2019).
10. Как это работает? Рекомендации в Яндекс.Музыке // Блог Яндекса URL: https://yandex.ru/blog/company/92883 (дата обращения: 26.06.2019).
11. MachineLearning.ru URL: http://www.machinelearning.ru (датаобращения: 26.06.2019).
12. Del Castillo H. S., Hiemstra D. Hybrid content-based collaborative-filtering music recommendations //Master's thesis, University of Twente, The Netherlands, 2007. – 61 с.
13. Kaitila J. A content-based music recommender system, 2017. – 71 с.
14. Lerch A. An introduction to audio content analysis: Applications in signal processing and music informatics. – Wiley-IEEE Press, 2012 – 259 с.
15. Logan B. Mel Frequency Cepstral Coefficients for Music Modeling //
Proceedings of the International Symposium on Music Information Retrieval
(ISMIR) 2000, Plymouth, USA, October 2000.
16. Müller M. Fundamentals of music processing: Audio, analysis, algorithms, applications. – Springer, 2015. – 487 с.
17. N. Scaringella, G. Zoia, D. MlynekAutomatic genre classification of music content: a survey – Signal Processing Magazine, IEEE (Volume 23, Issue 2), March 2006 Klapuri, B. Meudic – Journal of New Music Research, Vol. 32(1), 2003.
18. Oscar Celma. Music Recommendation and Discovery: The Long Tail, Long Fail, and Long Play in the Digital Music Space. – Springer, 2010. – 212 с.
19. Polotti P. Sound to sense, sense to sound: a state of the art in sound and music computing. – Logos Verlag Berlin GmbH, 2008. – 486 с.
20. Ricci F., Rokach L., Shapira B. Recommender systems handbook. – Springer, Boston, MA, 2011. – 842 с.
21. Song Y., Dixon S., Pearce M. A survey of music recommendation systems and future perspectives //9th International Symposium on Computer Music Modeling and Retrieval. – 2012. – Т. 4
22. Zhang Y. C. et al. Auralist: introducing serendipity into music recommendation //Proceedings of the fifth ACM international conference on Web search and data mining. – ACM, 2012. – С. 13-22.
23. Руководство пользователяLibrosa // Librosa URL: http://librosa.github.io/librosa (дата обращения: 26.06.2019).
24. Locality Sensitive Hashing for Similar Item Search // Towardsdatascience URL: https://towardsdatascience.com/locality-sensitive-hashing-for-music-search-f2f1940ace23 (дата обращения: 26.06.2019).
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
ВВЕДЕНИЕ
Применение машинного обучения применительно к звуковым сигналам началось ещё в конце восьмидесятых годов, однако действительно активное применение и изучение началось в середине двухтысячных. В связи с развитием компьютерной техники стало возможно обрабатывать аудиосигналы на небольшом домашнем компьютере, а не на огромных вычислительных комплексах. Так вместе с возможностями пришли и проекты. Машинное обучение начало активно изучаться в сферах синтеза и распознавания голоса, определения музыкальных композиций, распознавания музыкальных инструментов, также оно получило активное применение в рекомендательных системах.
Рекомендательные системы начали появляться в середине девяностых годов, на заре развития интернета, но активное распространение они начали получать только с середины двухтысячных.Стимулировала развитие компания Netflix, которая на тот момент занималась видеопрокатом. Клиенты заказывали диски с видео через интернет и получали (и отправляли обратно) по почте. На сайте компании каждый пользователь мог оценить фильм по шкале от 1 до 5. В процессе развития компания накопила огромную базу оценок фильмов и использовала её для рекомендаций фильмов клиентам.Netflixпоэтому объявила соревнование с призом в миллион долларом, целью которого являлось улучшение рекомендательного алгоритма на 10%. Хоть соревнование выиграла одна команда, оно дало толчок появлению интереса к рекомендательным с системам и их развитию.
Звуковой сигнал и его особенности играют не последнюю роль в рекомендательных системах. Так он используется в системах контентной фильтрации. На основе сигнала и ряда его признаков пользователю рекомендуют песни похожие на те, что он слушал ранее.
АННОТАЦИЯ 5
ВВЕДЕНИЕ 6
1 СИСТЕМЫ РЕКОМЕНДАЦИЙ 7
1.1 Контентная фильтрация 8
1.1.2 Источники данных для контентной фильтрации 9
1.2 Коллаборативная фильтрация 11
1.3 Гибридные методы 13
1.4 Рекомендательные алгоритмы 13
1.5 Обзор существующих систем 15
1.5.1 Яндекс. Музыка 16
1.5.2 Applemusic 17
1.5.3 В контакте 18
1.5.4 Last.fm 18
1.5.5 Pandora 19
2 ОСОБЕННОСТИ ИЗВЛЕКАЕМЫЕ ИЗ АУДИОСИГНАЛА 20
2.1 Мел-частотные кепстральные коэффициенты 21
2.2 Спектральные признаки 28
2.3 Признаки высоты звука 30
2.4 Ритмические характеристики 31
3 ПРАКТИЧЕСКАЯ ЧАСТЬ 32
3.1 Анализ способов извлечения особенностей из аудиосигнала 32
3.2 Поиск похожих композиций на основе мел-частотных кепстральных коэффициентов 39
Заключение 42
Список литературы 43
АННОТАЦИЯ
Дипломная работа на тему «Применение машинного обучения для обработки звуковых сигналов».
Работа содержит 45 страниц машинописного текста, 2 таблицы, 24 рисунка и 16 формул. Для написания работы использованы 24 источника.
Работа состоит из введения, трёх глав, заключения и списка использованной литературы.
Во введении раскрывается актуальность и новизна выбранной темы, описываются цель и задачи аттестационной работы.
В первой главе выполнен теоретический обзоррекомендательных систем, методов, применяемых в таких системах и особенностей извлекаемых из звукового сигнала
Вторая глава посвящена изучению особенностей извлекаемых из аудиосигнала. В ней описаны мел- частотные кепстральные коэффициенты, спектральные особенности,признаки высоты звука, характеристики ритма.
В третьей главе описана практическая часть работы, описаны способы извлечения признаков и рассмотрен алгоритм нахождения похожих аудио записей.
В заключении обобщается проделанная работа и формулируются выводы.
Ключевые слова:машинное обучение, обработка звуковых сигналов, рекомендательные системы.
1. Алдошина И., Приттс Р. Музыкальная акустика. СПб.: Композитор, Санкт-Петербург, 2006. – 720 с.
2. Вахромеев В. А. Элементарная теория музыки.М.: Музгиз, 1961. – 244 с.
3. Введение в цифровую обработку речевых сигналов: учеб. пособие / Х. М. Ахмад, В. Ф. Жирков; Владимирский гос. ун-т. – Владимир: Изд-во Владимирского гос. ун-та, 2007. – 192 с
4. Воронцов К. В. Лекции по логическим алгоритмам классификации. 2007. –53 с
5. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования.М.: МЦНМО, 2013. – 390 с.
6. Маннинг К. Д., Рагхаван П., Шютце Х. Введение в информационный поиск. М.: Вильямс, 2011. – 528с.
7. Пратик Дж. Искусственный интеллект с примерами на Python М.: Вильямс, 2019. – 450 с.
8. Сергиенко А. Б. Цифровая обработка сигналов. СПБ: Питер, 2006. –751 с.
9. Как работают рекомендации в Apple Music и как им помочь // AppleInsider.ruURL: https://appleinsider.ru/tips-tricks/kak-rabotayut-rekomendacii-v-apple-music-i-kak-im-pomoch.html (дата обращения: 26.06.2019).
10. Как это работает? Рекомендации в Яндекс.Музыке // Блог Яндекса URL: https://yandex.ru/blog/company/92883 (дата обращения: 26.06.2019).
11. MachineLearning.ru URL: http://www.machinelearning.ru (датаобращения: 26.06.2019).
12. Del Castillo H. S., Hiemstra D. Hybrid content-based collaborative-filtering music recommendations //Master's thesis, University of Twente, The Netherlands, 2007. – 61 с.
13. Kaitila J. A content-based music recommender system, 2017. – 71 с.
14. Lerch A. An introduction to audio content analysis: Applications in signal processing and music informatics. – Wiley-IEEE Press, 2012 – 259 с.
15. Logan B. Mel Frequency Cepstral Coefficients for Music Modeling //
Proceedings of the International Symposium on Music Information Retrieval
(ISMIR) 2000, Plymouth, USA, October 2000.
16. Müller M. Fundamentals of music processing: Audio, analysis, algorithms, applications. – Springer, 2015. – 487 с.
17. N. Scaringella, G. Zoia, D. MlynekAutomatic genre classification of music content: a survey – Signal Processing Magazine, IEEE (Volume 23, Issue 2), March 2006 Klapuri, B. Meudic – Journal of New Music Research, Vol. 32(1), 2003.
18. Oscar Celma. Music Recommendation and Discovery: The Long Tail, Long Fail, and Long Play in the Digital Music Space. – Springer, 2010. – 212 с.
19. Polotti P. Sound to sense, sense to sound: a state of the art in sound and music computing. – Logos Verlag Berlin GmbH, 2008. – 486 с.
20. Ricci F., Rokach L., Shapira B. Recommender systems handbook. – Springer, Boston, MA, 2011. – 842 с.
21. Song Y., Dixon S., Pearce M. A survey of music recommendation systems and future perspectives //9th International Symposium on Computer Music Modeling and Retrieval. – 2012. – Т. 4
22. Zhang Y. C. et al. Auralist: introducing serendipity into music recommendation //Proceedings of the fifth ACM international conference on Web search and data mining. – ACM, 2012. – С. 13-22.
23. Руководство пользователяLibrosa // Librosa URL: http://librosa.github.io/librosa (дата обращения: 26.06.2019).
24. Locality Sensitive Hashing for Similar Item Search // Towardsdatascience URL: https://towardsdatascience.com/locality-sensitive-hashing-for-music-search-f2f1940ace23 (дата обращения: 26.06.2019).
Купить эту работу vs Заказать новую | ||
---|---|---|
0 раз | Куплено | Выполняется индивидуально |
Не менее 40%
Исполнитель, загружая работу в «Банк готовых работ» подтверждает, что
уровень оригинальности
работы составляет не менее 40%
|
Уникальность | Выполняется индивидуально |
Сразу в личном кабинете | Доступность | Срок 1—6 дней |
1000 ₽ | Цена | от 3000 ₽ |
Не подошла эта работа?
В нашей базе 55888 Дипломных работ — поможем найти подходящую