Browsing by Author "Aljanaki, Anna, juhendaja"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Collaborative filtering recommendation algo-rithms performance on an implicit feedback da-taset(Tartu Ülikool, 2021) Lõhmus, Kristjan; Aljanaki, Anna, juhendaja; Berber, Hakan, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituutAntud töö eesmärgiks on valida ja implementeerida soovitussüsteem USA-s opereerivale võr-gumängude platvormile. Süsteemi eripärasid ja olemasolevaid andmeid arvestades valiti mudelipõhine lähenemine süsteemi koostamiseks. Implementeeriti kaks mudelit: Alternating Least Squares (ALS) ja Bayesian Personalized Ranking (BPR), mida treeniti süsteemist saadud andmete põhjal. Mudelite väljundi hindamiseks kasutati AUC-d ja mediaantäpsust. Tulemused näitasid, et mudelid töötasid koguandmetel identse täpsusega, kuid uute mängijate hindamisel sai parema tulemuse ALS.Item Generating Real Time Adaptive Game Music(Tartu Ülikool, 2021) Baranin, Ingvar; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituutThis thesis aims to construct and train an LSTM-based machine learning model that can automatically generate real time adaptive video game music. In order to demonstrate its capabilities, a game using the model’s music is developed. A review of similar existing works and the methodology of the thesis is provided, as well as the analysis of the final product.Item Loomuliku keele töötlemise algoritmide kasutamine muusikasarnasuse leidmisel(Tartu Ülikool, 2022) Lindpere, Mait; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituutKäesoleva magistritöö raames viiakse läbi eksperimentaalne uurimus leidmaks kas muusika semantilise kirjelduse (antud töö kontekstis albumikirjelduste) järgi on võimalik muusikat soovitada. Püstitatud ülesande lahendamiseks võrreldakse NLP meetoditega muusika metaandmetest avastatud tunnuste järgi leitud muusikasarnasust muusikakasutajatest inimeste sarnasuse hinnangutega. NLP meetodite sooritusele hinnangu andmiseks kasutatakse võrdluseks audio meetodite järgi leitud muusikasarnasust. Lisaks kombineeritakse uurimistöös NLP ja audio meetodeid. TagATune mängust kogutud inimekspertide hinnanguid muusikaklippide sarnasusele kasutati NLP ja audio meetodite tulemuste hindamisel tõe etalonina. Töö tulemusel selgus, et NLP meetoditega leitud muusikasarnasus on üksi kasutamiseks vähetäpne, paremasid tulemusi näitasid audio meetodid. Kombineerides mõlema lähenemise paremaid sooritusi näidanud meetodeid saavutati antud töö kontekstis kõige täpsem tulemus.Item Muusika toonimise kasutamine muusika žanrite klassifitseerimise mudelites(Tartu Ülikool, 2023) Kasepuu, Raivo; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituutKäesoleva magistritöö raames teostatakse uurimus leidmaks, kuidas muusikafailide toonimised mõjuvad muusika žanrite klassifitseerimiste mudelite täpsusele. Püstitatud ülesande lahendamiseks võrreldakse toonimata andmestikuga etalon mudeli täpsust erinevate toonitud andmestike abil loodud mudelite täpsustega. Töö sisendiks on GTZAN muusika andmestik ja muusika toonimisi uuritakse MFCC koefitsientidel põhinevatel muusika žanrite klassifitseerimise mudelitel. Töö tulemusel selgus, et toonitud muusikaga rikastatud andmestikel treenitud muusika žanri klassifitseerimise mudelid on keskmiselt täpsemad kui ainult toonimata muusika muusikal treenitud mudelid.