| Abstract |
Mūzika, datu analīze, datu ieguve.
Bakalaura darba tips - modernu risinājumu izpēte.
Mūsdienu mūzikas industrijā arvien vairāk balstās uz digitālajām tehnoloģijām, straumēšanas platformām un datu analīzes metodēm. Platformas, ka piemēram, Spotify, apkopo lielu daudzumu informācijas par klausītāju uzvedību, dziesmu audio parametriem un popularitātes tendencēm, kas ļauj analizēt mūzikas patēriņa paradumus un meklēt iespējamās sakarības starp dažādiem parametriem.
Bakalaura darba mērķis ir analizēt mūzikas datu kopu, izmantojot statistiskās datu analīzes metodes, un noteikt iespējamas sakarības starp dziesmas audio parametriem un to popularitātes radītāju.
Darba teorētiskajā daļā tika apskatīta mūzikas datu analīzes attīstība dažādos periodos - no pirms-digitālas ēras līdz mūsdienu straumēšanas platformām un mākslīgā intelekta risinājumiem. Tika analizēti arī galvenie datu ieguves un analīzes rīki, piemēram, Spotify API, Last.fm, Kaggle datu kopas un mašīnmācīšanās metodes.
Praktiskajā daļā tika izmantota Kaggle platformā pieejama datu kopa, kura ir balstīta uz Spotify audio parametriem. Izmantojot Python programmēšanas valodu un datu analīzes bibliotēkas, tika veikta datu sagatavošana, statistiskā analīze, korelācijas analīze, datu vizualizācija un lineārās regresijas modeļa izveide.
Pētījuma rezultāti parādīja, ka starp atsevišķiem audio parametriem un popularitātes rādītāju pastāv noteiktas korelācijas, tomēr dziesmu popularitāti ietekmē daudz plašāks faktoru kopums nekā tikai audio parametri. Analīzes laikā tika secināts, ka audio parametri vieni paši nespēj pilnvērtīgi prognozēt dziesmas popularitāti, jo būtiska ietekme ir arī sociālajiem tīkliem, rekomendāciju algoritmiem, auditorijas uzvedībai un citiem ārējiem faktoriem.
Darba apjoms ir 55 lappuses, tajā iekļauti 8 attēli, 0 tabulas, nav pielikumu un izmantoti 42 informācijas avoti. |
