Використання машинного навчання у задачах класифікації звуків

Автор(и)

  • Mykola Glybovets Національний університет «Києво-Могилянська академія», Ukraine
  • Anastasiia Zhyrkova Національний університет «Києво-Могилянська академія», Ukraine

DOI:

https://doi.org/10.18523/2617-3808.2019.2.22-31

Ключові слова:

класифікація, машинне навчання, метод k-найближчих сусідів, метод опорних векторів, випадковий ліс, нейронні мережі, контроль за k-блоками, метод відкладених даних, сітковий пошук

Анотація

У роботі розглянуто особливості використання методів машинного навчання (МН) для класифікації звукової інформації на прикладі розв’язку задачі класифікації міських звуків (МЗ). Дослідження з аналізу міських акустичних середовищ є досить обмеженими. Більше того, у цих дослідженнях основна увага фокусується на класифікації місць, які характеризують певні звуки, наприклад, парку, вулиці, на відміну від ідентифікації джерел звуку в них, таких як автомобільний сигнал, постріл тощо. Тому класифікація МЗ – досить актуальна проблема, що потребує вирішення. Метою роботи є висвітлення побудови оптимальних моделей МН для задачі коректної класифікації МЗ.

Біографії авторів

Mykola Glybovets, Національний університет «Києво-Могилянська академія»

доктор фізико-математичних наук, професор кафедри інформатики факультету інформатики Національного університету «Києво-Могилянська академія»

glib@ukma.edu.ua

Anastasiia Zhyrkova, Національний університет «Києво-Могилянська академія»

бакалавр, напрям «Інформатика», 4-й курс факультету інформатики Національного університету «Києво-Могилянська академія»

anastasia.zhyrkova@ukma.edu.ua

Посилання

Brink, H., Richards, D., & Feverolf, M. (2018). Mashinnoe obuchenie. Sankt-Peterburg: Piter [in Russian].

Keras: The Python Deep Learning library. Retrieved from https://keras.io/.

Module: Display. Retrieved from https://ipython.readthedocs.io/en/stable/api/generated/IPython.display.html.

Music Genre Classification With Python. Retrieved from https://towardsdatascience.com/music-genre-classification-with-python-c714d032f0d8.

Music software written in Python. Retrieved from https://wiki.python.org/moin/PythonInMusic.

Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.

Python Data Analysis Library. Retrieved from https://pandas.pydata.org/.

scikit-learn. Retrieved from https://scikit-learn.org/stable/.

Shalev-Shwartz, S., & Ben-David, S. (2017). Understanding machine learning: From theory to algorithms. Cambridge: Cambridge University Press.

This Is What Makes Keras Different, According To Its Author. Forbes, 2016. Retrieved from https://www.forbes.com/sites/quora/2016/08/25/this-is-what-makes-keras-different-according-to-its-author/#2c7851fa66cf.

Urban Sound Classification. Retrieved from https://www.kaggle.com/pavansanagapati/urban-sound-classification.

##submission.downloads##

Номер

Том 2 (2019): НАУКОВІ ЗАПИСКИ НАУКМА. КОМП'ЮТЕРНІ НАУКИ

Розділ

Статті

Ліцензія

Авторське право (c) 2019 Mykola Glybovets, Anastasiia Zhyrkova

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з такими умовами:

а) Автори зберігають за собою авторські права на твір на умовах ліцензії Creative Commons Attribution License CC BY 4.0, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.

б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.

в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)

г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).