| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Dziļajā mašīnmācīšanās balstīta mūzikas ritmu prognozēšana MIDI formātā |
| Nosaukums angļu valodā |
Deep Learning Based Musical Rhythm Prediction in MIDI Format |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Inese Poļaka, Modelēšanas un imitācijas katedras as. profesors |
| Anotācija |
Bakalaura darba tips:
1. tips, kas pēta modernos risinājumus.
Šajā pētījumā ir piedāvāts dziļās mašīnmācīšanās modelis, kas balstās uz rekurentiem neirona tīkliem un spēj prognozēt mūzikas ritmu no MIDI formāta. Tika veikta datu kopas priekšapstrāde, pārveidojot to par masīvu, lai dziļās mašīnmācīšanās modelis spētu ātrāk apmācīties. Modelis tika izstrādāts, balstoties uz pēdējo 5 gadu pētījumiem, kuri veikti mašīnmācīšanas mūzikas jomā, kā arī tika pievienoti vecāki zinātniskie raksti.
Apmācības laikā tika noskaidrots, ka dziļās mašīnmācīšanās modelis tiek apmācīts ar salīdzinoši lieliem datu masīvu vērtībām un nespēj iegūt pietuvinātu rezultātu realitātei. Tādēļ bija nepieciešams pārveidot sagatavotās atmiņas kartes (angļu val. memory maps) mazākos datu piemēros, attiecīgi 10, 20 un 50, un atkārtoti apmācīt dziļās mašīnmācīšanās modeli, no kura ieguvām L1 apmācības kļūdu un L1 validācijas kļūdu. LSTM modelis apmācās ar mazāko kļūdu, kur datu kopas izmērs ir 10 un 50. Savukārt, datu kopā, kuras izmērs ir 20, GRU modelis ir labāks validācijas kļūdā, bet apmācības kļūdā - RNN.
Darba pamattekstā ir 54 lappuses, 39 attēli, 5 tabulas, 17 formulas un 25 informācijas avoti. |
| Atslēgas vārdi |
DZIĻĀ MAŠĪNMĀCĪŠANĀS, RNN, MŪZIKAS RITMS, LSTM, GRU |
| Atslēgas vārdi angļu valodā |
DEEP LEARNING, RNN, MUSIC RHYTHM, LSTM, GRU |
| Valoda |
lv |
| Gads |
2021 |
| Darba augšupielādes datums un laiks |
06.09.2021 19:46:47 |
