| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Uz audio parametriem balstītu mašīnmācīšanās metožu salīdzinoša analīze mūzikas emociju atpazīšanā |
| Nosaukums angļu valodā |
Comparative Analysis of Audio Parameter-Based Machine Learning Methods in Musical Emotion Recognition |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Laima Vītoliņa |
| Recenzents |
Artūrs Ardavs |
| Anotācija |
Šajā bakalaura darbā tiek analizēta un salīdzināta klasisko mašīnmācīšanas
algoritmu pielietošana mūzikas emociju atpazīšanas uzdevumā, balstoties uz audio
parametriem. Darba mērķis ir novērtēt dažādu pārraudzītās un nepārraudzītās
mašīnmācīšanās algoritmu klasifikācijas un klasterēšanas veiktspēju, kā arī noteikt,
kuri audio parametri visvairāk ietekmē emociju klasifikāciju. Pētījumā tika izmantotas
divas publiski pieejamas datu kopas, no kurām tika iegūti audio parametri, veikta atlase
starp parametriem ar vislielāko informācijas guvumu, dažādu mašīnmācīšanās
algoritmu apmācība un salīdzināšana, izmantojot Orange Data Mining vidi. Rezultāti
norāda, ka algoritmu veiktspēja atšķiras starp datu kopām un dažādiem algoritmiem, un
ka atbalsta vektoru mašīna sniedza visaugstāko klasifikācijas precizitāti abās datu kopā.
Papildus tika konstatēta emociju klašu pārklāšanās, kas apstiprina mūzikas emociju
atpazīšanas uzdevuma sarežģītību un izmantoto audio parametru pazīmju
ierobežojumus. |
| Atslēgas vārdi |
Audio parametri, klasiskā mašīnmācīšanās, mūzikas emociju atpazīšana, datu ieguves rīki |
| Atslēgas vārdi angļu valodā |
Audio parameters, clasical machine learning, music emotion recognition, data mining tools |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
06.01.2026 23:22:04 |
