Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
| Код |
563701 |
| Дата создания |
2019 |
| Страниц |
43
|
Мы сможем обработать ваш заказ (!) 23 декабря в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Содержание
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
Введение
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.
Фрагмент работы для ознакомления
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.
Список литературы
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).
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00457