Συλλογές
Τίτλος Applications of machine learning on Spotify data
Εναλλακτικός τίτλος Εφαρμογές μηχανικής μάθησης σε δεδομένα του Spotify
Δημιουργός Iliaki, Georgia, Ηλιάκη, Γεωργία
Συντελεστής Athens University of Economics and Business, Department of Management Science and Technology
Louridas, Panagiotis
Τύπος Text
Φυσική περιγραφή 69p.
Γλώσσα en
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8732
Περίληψη This study refers to machine learning applications on data scraped from the Spotify API website. It is divided in two sections based on different data provided by the company. The first section the data handled are the musical features of the songs and an effort is made to classify over 2000 songs based on the emotion they convey to the listener using different classification methods such us Neural Networks, Random Forest, LightGBM, XGboost. Also two regression methodologies are used (Neural Network Regressor and Random Forest Regressor) in order to predict the "valence" value of the songs (how happy or not a song is). On the second part of the analysis the structural layers of the songs are used to create 5 different Neural Network model, one for each layer (Sections, Segments, Tatums, Beats and Bars) to figure out how deep the emotion can be traced on a song. On the first part the most effective method appeared to be the Random Forests. On the second part of the study, the results indicated that the emotions of the songs were better identified on the deepest structural levels of the songs, on the segments data set.
Η παρούσα έρευνα αναφέρεται σε εφαρμογές μηχανικής μάθησης σε δεδομένα που συλλέχθηκαν από την ιστοσελίδα του API του Spotify. Είναι χωρισμένη σε δύο μέρη, βασισμένα σε διαφορετικά δεδομένα που παρέχει η εταιρία. Στο πρώτο μέρος τα δεδομένα που διαχειρίστηκαν είναι τα μουσικά χαρακτηριστικά των τραγουδιών κι η προσπάθεια που έγινε για να ταξινομηθούν πάνω από 2000 τραγούδια, βασίζεται στο συναίσθημα που προκαλούν στον ακροατή με τη χρήση μεθόδων ταξινόμησης όπως τα Νευρωνικά Δίκτυα, τα Δάση Τυχαίας Απόφασης και τους αλγόριθμους LightGBM κι XGBoost. Επίσης δύο μεθοδολογίες Παλινδρόμησης χρησιμοποιήθηκαν (Νευρωνικά Δίκτυα Παλινδρόμησης κι Παλινδρόμησης Δασών Τυχαίας Απόφασης) για να γίνει πρόβλεψη της τιμής της μεταβλητής "valence" κάθε τραγουδιού (πόσο χαρούμενο ή όχι είναι ένα τραγούδι). Στο δεύτερο μέρος της ανάλυσης χρησιμοποιούνται τα επίπεδα της δομικής μορφολογίας των τραγουδιών για να δημιουργηθούν πέντε διαφορετικά μοντέλα Νευρωνικών Δικτύων, ένα για κάθε επίπεδο (Sections, Segments, Tatums, Beats and Bars) για να γίνει κατανοητό πόσο βαθιά σε ένα τραγούδι μπορεί να εντοπιστεί το συναίσθημα. Στο πρώτο μέρος η πιο αποδοτική μέθοδος ήταν τα Δάση Τυχαίας Απόφασης. Στο δεύτερο μέρος της μελέτης τα αποτελέσματα υπέδειξαν ότι τα συναισθήματα των τραγουδιών ταυτοποιήθηκαν καλύτερα στα βαθύτερα επίπεδα δομικής μορφολογίας των τραγουδιών και συγκεκριμένα στα δεδομένα του επιπέδου Segments.
Λέξη κλειδί Παλινδρόμηση
Valence prediction
Machine learning
Classification
Sentiment analysis
Regression
Πρόβλεψη valence
Μηχανική μάθηση
Ταξινόμηση
Πρόβλεψη συναισθημάτων
Διαθέσιμο από 2021-08-03 20:32:54
Ημερομηνία έκδοσης 07/29/2021
Ημερομηνία κατάθεσης 2021-08-03 20:32:54
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/