Ταξινόμηση μουσικών ειδών και συστήματα συστάσεων με χρήση βαθιάς μάθησης

Abstract

Στο σημερινό δυναμικό μουσικό οικοσύστημα, η σημασία της ταξινόμησης μουσικών ειδών (MGC) και των συστημάτων μουσικών συστάσεων (MRS) δεν μπορεί να υπερεκτιμηθεί. Με τον πολλαπλασιασμό των ψηφιακών μουσικών πλατφορμών και την άνευ προηγουμένου αφθονία περιεχομένου, η MGC χρησιμεύει ως άξονας για τη διαισθητική οργάνωση και πλοήγηση σε εκτεταμένες μουσικές βιβλιοθήκες. Ταυτόχρονα, το MRS διαδραματίζει κρίσιμο ρόλο στη βελτίωση της εμπειρίας του χρήστη, παρέχοντας εξατομικευμένες συστάσεις μπροστά στις ποικίλες και εξελισσόμενες προτιμήσεις των ακροατών. Η σημασία του MGC και του MRS εκτείνεται πέρα από την απλή ευκολία, διαμορφώνοντας τον τρόπο με τον οποίο οι χρήστες εξερευνούν και συνδέονται με τη μουσική με εξατομικευμένο και ουσιαστικό τρόπο. Τα συστήματα αυτά όχι μόνο απλοποιούν την πρόσβαση σε ένα διαρκώς διευρυνόμενο μουσικό τοπίο, αλλά συμβάλλουν επίσης στον πολιτιστικό ιστό της ψηφιακής κοινωνίας μας, προωθώντας την ανακάλυψη, την εμπλοκή και την απόλαυση στο πεδίο της κατανάλωσης μουσικής.

Η παρούσα διπλωματική εργασία ασχολείται με την πρακτική εφαρμογή μεθοδολογιών βαθιάς μάθησης για την ταξινόμηση μουσικών ειδών (MGC) και για συστήματα μουσικών συστάσεων (MRS). Επικεντρώνοντας αποκλειστικά στη βαθιά μάθηση, η μελέτη διερευνά την αποτελεσματικότητα των νευρωνικών δικτύων χρησιμοποιώντας Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN) και Long-Short Term Memory Network (LSTM) για την ταξινόμηση μουσικών ειδών και μια προσέγγιση βασισμένη στο περιεχόμενο (content- based approach) για τα συστήματα συστάσεων. Κύρια μορφή δεδομένων και πληροφορίας η οποία θα μας δώσει την δυνατότητα να εξάγουμε πληροφορία και συμπεράσματα για το κάθε μουσικό κομμάτι θα είναι τα Mel-Frequency Cepstral Coefficients (MFCC).

Επιπλέον πραγματοποιούμε μια Βιβλιογραφική Ανασκόπηση που παρέχει μια επισκόπη- ση της υπάρχουσας έρευνας στην MGC πλαίσιο της βαθιάς μάθησης και τις content-based προσεγγίσεις που υπάρχουν στον τομέα του MRS, αναφερόμαστε στο τι υπάρχει στον κόσμο του Art & AI σήμερα και πιο συγκεκριμένα εφαρμογές που αφορούν την χρήση της Τεχνητής Νοημοσύνης στην Μουσική. Επίσης αναλύουμε τις βασικές γνώσεις που χρειάζονται για την κατανόηση όλων των εργαλείων που χρησιμοποιούμε στην παρούσα εργασία όπως για παράδειγμα πως λειτουργεί ένα CNN, τι είναι τα MFCC κι άλλα. Τέλος υλοποιούμε ένα Web App στο οποία αναδεικνύεται η λειτουργικότητα του μοντέλου που δημιουργήσαμε και το θέτουμε σε εφαρμογή με γνωστά και άγνωστα σε αυτό μουσικά κομμάτια.