Muusika toonimise kasutamine muusika žanrite klassifitseerimise mudelites
| dc.contributor.advisor | Aljanaki, Anna, juhendaja | |
| dc.contributor.author | Kasepuu, Raivo | |
| dc.contributor.other | Tartu Ülikool. Loodus- ja täppisteaduste valdkond | et |
| dc.contributor.other | Tartu Ülikool. Arvutiteaduse instituut | et |
| dc.date.accessioned | 2023-10-19T10:52:38Z | |
| dc.date.available | 2023-10-19T10:52:38Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Käesoleva 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. | et |
| dc.identifier.uri | https://hdl.handle.net/10062/93624 | |
| dc.language.iso | est | et |
| dc.publisher | Tartu Ülikool | et |
| dc.rights | openAccess | et |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Andmeanalüüs | et |
| dc.subject | andmestike rikastamine | et |
| dc.subject | muusika toonimine | et |
| dc.subject | GTZAN | et |
| dc.subject | MFCC | et |
| dc.subject.other | magistritööd | et |
| dc.subject.other | informaatika | et |
| dc.subject.other | infotehnoloogia | et |
| dc.subject.other | informatics | et |
| dc.subject.other | infotechnology | et |
| dc.title | Muusika toonimise kasutamine muusika žanrite klassifitseerimise mudelites | et |
| dc.type | Thesis | et |