Sirvi Autor "Semjonova, Anastassia" järgi

Nüüd näidatakse 1 - 3 3

Automaatse personaliseeritud esitusloendi generaator
(Tartu Ülikool, 2011) Semjonova, Anastassia; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Käesolevas magistritöös on esitatud automaatse personaliseeritud pleilisti tekitaja probleemi lähenemisviiside uuring. Lisaks teoreetilise tausta lühiülevaatele me dokumenteerisime oma lähenemist: meie poolt tehtud katsed ning nende tulemused. Meie algoritm koosneb kahest põhiosast: pleilisti hindamisfunktsiooni konstrueerimine ning pleilisti genereerimisstrateegia valik. Esimese ülesande lahendamiseks on valitud Naive Bayes klassifitseerija ning 5-elemendiline MIRtoolbox tööristakasti poolt kavandatud audio sisupõhiste attribuutide vektor, mis klassiitseerivad pleilisti heaks või halvaks 82% täpsusega - palju parem kui juhuslik klassifitseerija (50%). Teise probleemi lahendamiseks proovisime kolm genereerimisalgoritmi: lohistus (Shuffle), randomiseeritud otsing (Randomized Search) ning geneetiline algoritm (Genetic Algorithm). Vastavalt katsete tulemustele kõige paremini ja kiiremini töötab randomiseeritud otsingu algoritm. Kõik katsed on tehtud 5 ning 10 elemendilistel pleilistidel. Kokkuvõttes, oleme arendanud automatiseeritud personaliseeritud pleilisti tekitaja algoritmi, mis vastavalt meie hinnangutele vastab ka kasutaja ootustele rohkem, kui juhuslikud lohistajad. Algoritmi võib kasutada keerulisema pleilistide konstrueerimiseks.
Muusika žanri avastamine kasutades Naïve Bayes klassifikaatori
(Tartu Ülikool, 2009) Semjonova, Anastassia; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Tänapäeval hoitakse muusikat peamiselt digitaalvormis. Muusika faile on nii palju, et neid tuleb kuidagi klassi tseerida. Kompositsioone on võimalik grupeerida žanrideks heliseva iseloomu järgi. Töö baseerub G. Tzanetakis, G. Essl ja P. Cooki artiklil [GT07], mis käsitleb muusika žanri avastamisalgoritmi loomise temaatikat. Peamiseks ideeks on esitada muusika faile numbrilises formaadis ja võta välja sellest informatsioonist mõned tunnused, mis kirjeldaksid muusika helisust ja aitaks žanrideks klassi tseerimisel. Esiteks, me realiseerisime artiklis pakutud tunnuste arvutamismeetodit ja hinnasime nende töö meie andmestikul, mis koosneb 300 muusika failidest iga žanri (klassika, pop, punk, rap/hip-hop, rokk ja trance) esitavad 50 kompositsiooni. Seejärel valisime klassi kaatorit ja pakkusime välja oma ideed. Tulemuseks me saime 13-elemendilist tunnuste vektori, mis pooleli koosneb baseeruvas artiklis esitatud tunnustest ja pooleli meie ideedest. Tunnuste vektor koos valitud algoritmiga võimaldavad klassi tseerida 6 žanri lood 61,6% täpsusega, mis on peaaegu neli korda parem kui juhuslik. Peale seda, tulemus on 5% parem kui see mida said baseeruva artikli autorid.
Rebrändimise protsessi edutegurid Telia Eesti AS näitel
(Tartu Ülikool, 2018) Semjonova, Anastassia; Ploom, Kerli, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond; Tartu Ülikool. Majandusteaduskond