Аналіз музики засобами машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-24 Корнієнко Валентином Валерійовичем. Тема “Аналіз музики засобами машинного навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Мета роботи полягає в дослідженні та розробці методів аналізу та класифікації музики за жанром та емоційністю за допомогою машинного навчання. Досягнення мети відбувається шляхом створення двух комбінованих моделей CNN-LSTM, для використання як просторових, так і часових характеристик звукових ознак. Апробацію роботи розроблених методів класифікації музики здійснено з використанням різних алгоритмів машинного навчання на основі згорткових нейронних мережей та довгої короткострокової пам’яті. Об’єктом дослідження є процеси класифікації музики методами машинного навчання. Предметом досліджень є методи та алгоритми машинного навчання, що використовуються для класифікації музики. У результаті виконання дипломної роботи створено архітектуру комбінованої CNN-LSTM моделі для класифікації музики за жанром та емоційним забарвленням; розроблено дві її програмних реалізації у вигляді моделей глибокого навчання, для класифікації музики за жанром та емоційним забарвленням. Проведено тестування розроблених моделей в результаті якого вони показали чудову точність передбачення у 93% для моделі класифікації за жанром, та 94% – класифікації за емоційним забарвленням. Загальний обсяг роботи: 73 сторіни, 41 рисунок, 27 посиланнь. The master's thesis was written by Valentyn Kornienko, a student of the group KNSCH-24. The topic is " Music analysis using machine learning". The work is aimed at obtaining a master's degree in specialty 122 "Computer Science". The aim of the work is to research and develop methods for analyzing and classifying music by genre and emotionality using machine learning. The goal is achieved by creating two combined CNN-LSTM models to use both spatial and temporal characteristics of sound features. The developed music classification methods were tested using various machine learning algorithms based on convolutional neural networks and long short-term memory. The object of research is the processes of music classification using machine learning methods. The subject of research is machine learning methods and algorithms used for music classification. As a result of the thesis, the architecture of a combined CNN-LSTM model for classifying music by genre and emotional color was created; two of its software implementations in the form of deep learning models for classifying music by genre and emotionality were developed. The developed models were tested and showed an excellent prediction accuracy of 93% for the genre classification model and 94% for the emotional coloration classification model. Total amount of work: 73 pages, 41 figures, 27 references.