Show simple item record

Μουσική παραγωγή με τη χρήση Μηχανικής Μάθησης

dc.contributor.advisorTselenti, Panagiota
dc.contributor.authorΚαραφίλη, Αικατερίνη
dc.date.accessioned2023-07-21T07:32:35Z
dc.date.available2023-07-21T07:32:35Z
dc.date.issued2023-07
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/4765
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4603
dc.description.abstractΗ μουσική, ιδίως η κλασσική μουσική, είναι αναγκαία για τους ανθρώπους, αφού καταργεί τα πολιτισμικά σύνορα και αγγίζει τους ανθρώπους σε όλες τις πτυχές της ζωής τους εδώ και αιώνες. Στην εποχή μας, η σύνθεση μουσικής με τις μεθόδους της τεχνητής νοημοσύνης έχει κερδίσει τον δικό της χώρο ως επιστημονικός τομέας έχοντας τραβήξει το ενδιαφέρον πολλών ερευνητών. Η εφαρμογή που πραγματεύεται η εργασία βοηθάει τον καλλιτέχνη να μπορεί να προσδιορίσει μια ιδέα/κομμάτι του, με βάση έναν από τους συνθέτες Mozart, Bach, Haydn ή Chopin, και να παραχθεί ένα μουσικό κομμάτι βασισμένο στα χαρακτηριστικά που χαρακτηρίζουν τον συνθέτη, που είναι πιο κοντά στο στυλ του καλλιτέχνη, με σκοπό την ενσωμάτωση του στυλ του συνθέτη στην σύνθεση του καλλιτέχνη. Για την κατηγοριοποίηση χρησιμοποιούνται και αξιολογούνται διάφοροι αλγόριθμοι Μηχανικής Μάθησης όπως Decision Trees, Random Forest, Support Vector Machine κ.α., ενώ για την παραγωγή μουσικής χρησιμοποιούνται τα δυο μοντέλα βαθιάς μάθησης, το Long short-term memory (LSTM) και το WaveNet. Εμβαθύνοντας στα δυο μοντέλα, πραγματοποιείται διερεύνηση πάνω στην εκπαίδευση αυτών των μοντέλων σε τέσσερα διαφορετικά σύνολα δεδομένων, διαφόρων μεγεθών και μουσικών συνθέσεων. Με την εκτέλεση της παραγωγής κομματιών, παράγονται συνθέσεις για κάθε εκπαιδευμένο μοντέλο και αξιολογούνται. Τέλος, τονίζονται οι περιορισμοί, οι πιθανές βελτιώσεις αυτών και τα πεδία μελλοντικής έρευνας.el
dc.format.extent77el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΣύνθεση μουσικήςel
dc.subjectΠαραγωγή μουσικήςel
dc.subjectΚατηγοριοποίηση μουσικήςel
dc.subjectΜηχανική μάθησηel
dc.subjectΒαθιά μάθησηel
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΜοντέλα βαθιάς μάθησηςel
dc.titleΜουσική παραγωγή με τη χρήση Μηχανικής Μάθησηςel
dc.title.alternativeMusic generation using Machine Learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeTroussas, Christos
dc.contributor.committeeΚρούσκα, Ακριβή
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedMusic, especially classical music, is necessary for people, as it breaks down cultural barriers and has touched people in all aspects of their lives for centuries. Nowadays, music composition using artificial intelligence methods has earned its own space as a scientific field having attracted the interest of many researchers. The application discussed in the paper helps the artist to be able to identify an idea/piece of music based on one of the composers Mozart, Bach, Haydn or Chopin, and produce a piece of music based on the characteristics of the composer that is closer to the artist's style, with the aim of incorporating the composer's style into the artist's composition. Various Machine Learning algorithms such as Decision Trees, Random Forest, Support Vector Machine etc. are used and evaluated for categorization, while the two deep learning models, Long short-term memory (LSTM) and WaveNet are used for music generation. Delving deeper into the two models, an investigation on the training of these models on four different datasets of different sizes and musical compositions is carried out. By performing track generation, compositions for each trained model are produced and evaluated. Finally, limitations, possible improvements of these and areas for future research are highlighted.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές