Klasifikacija glazbe temeljena na strojnom učenju

master's thesis

• Title (english): Classification of Music Based on Machine Learning
• Author: Luka Čupić
• Mentor: Marko Čupić (mentor)
• Committee member: Marko Čupić (predsjednik povjerenstva)
• Committee member: Alan Jović (član povjerenstva)
• Committee member: Domagoj Jakobović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2020-07-08, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Klasifikacija glazbe zanimljiv je računalni problem koji često ne predstavlja velik interes poput ostalih problema kao što su računalni vid ili analiza društvenih mreža. Ovaj rad predstavlja sustav baziran na strojnom učenju koji može klasificirati glazbene instrumente. Kako bi model to mogao učiniti, karakterističan skup značajki izvučen je iz izvornih zvučnih zapisa. Ove značajke, MFC koeficijenti, predstavljaju suvremenu tehniku za predstavljanje audio zapisa kako bi mogli biti korišteni u kontekstu strojnog učenja. Nakon učenja modela, isti je uključen u Android aplikaciju gdje se može koristiti za klasifikaciju instrumenata u stvarnom vremenu.

Abstract (english)

Audio classification is an interesting machine learning problem that often doesn't get as much attention as some other problems such as computer vision or social media analysis. This thesis presents a system based on machine learning capable of classifying musical instruments. For the model to recognize instruments, a specific set of features is extracted from the original audio files. These features, MFCCs, represent state-of-the-art technique for representing audio in a way that can be used in a machine learning environment. After training, the model is deployed on to an Android application where it can be used for instrument prediction in real time.

• Keywords: klasifikacija instrumenata; strojno učenje; mfcc značajke
• Keywords (english): instrument classification; machine learning; mfcc features
• Language: english
• URN:NBN: urn:nbn:hr:168:105053
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-13 12:02:54