Комментарии 19
Интересно, а можно ли еще выявить корреляцию с настроением человека, собрать базу разной музыки и реализовать адаптивный музыкальный плеер?
Аналогов вроде бы еще не было?
Аналогов вроде бы еще не было?
+3
Если вместо «Настроения» подставить «то, чем человек планирует заниматься под музыку», то беглый поиск выдает, что Google play музыка уже умеет это и многое другое (+погода, +время суток)
+2
функционал есть и у Яндекс.Радио, и у inmood, вопрос в реализации, эффективности и точности определения того, что хотел пользователь.
Искренне желаю творческого развития проекту автора и новых нейронных сетей!
vpuhoff, может поделитесь ссылками на материал по изучению нейронных сетей?
… опечатка: «то есть результат ее обучения наиболее качественный из возможных.»
Искренне желаю творческого развития проекту автора и новых нейронных сетей!
vpuhoff, может поделитесь ссылками на материал по изучению нейронных сетей?
… опечатка: «то есть результат ее обучения наиболее качественный из возможных.»
0
Аналоги конечно есть, интерес был решить задачу самостоятельно, для изучения нейронной сети так сказать на практике, к тому же аналоги по большей части онлайн и заставить их работать со своей фонотекой было бы проблематично (но на телефоне вполне можно, не знаю правда насколько умный алгоритм переключения будет без интернета).
Спасибо, опечатку поправил. К сожалению ссылок не сохранилось, т.к. в основе была 1 нейронная сеть, исходный код которой приведен и большое количество хаотичной информации в голове, которую как я надеялся немного упорядочу, пока буду решать конкретную задачу.
Спасибо, опечатку поправил. К сожалению ссылок не сохранилось, т.к. в основе была 1 нейронная сеть, исходный код которой приведен и большое количество хаотичной информации в голове, которую как я надеялся немного упорядочу, пока буду решать конкретную задачу.
0
Плеер как раз реализован, shuffle с использованием pts, которые дает нейронная сеть, база соответственно тоже есть, но локальная, из той музыки, что слушатель даст программе. Для серьезной базы нужна медиатека побольше моей.
0
А в качестве источника данных о настроении использовать энцефалограф Emotiv EPOC.
0
Пробовали сделать сравнительное исследование?
Послушать незнакомой музыки и расставить цифирьки, а потом посмотреть что расставила сеть?
Послушать незнакомой музыки и расставить цифирьки, а потом посмотреть что расставила сеть?
0
Попробуйте оперировать двумя составляющими моно (A+B) и разностной (A-B). Басы, вокал, главные инструменты будут в первой, а всё, что отвечает за панорамирование «вглубину», в том числе немаловажные во многих стилях стереоэффекты — во второй.
Т.к. во второй практически никогда нет НЧ, их можно отбросить.
Т.к. во второй практически никогда нет НЧ, их можно отбросить.
+1
Пару лет назад была такая вот попытка:
habrahabr.ru/post/161005
habrahabr.ru/post/194724
Еще вот есть датасет:
labrosa.ee.columbia.edu/millionsong
www.kaggle.com/c/msdchallenge
Кстати не знаю есть ли что то основанное чисто на анализе сырых данных песен?
spotify — тут вроде коллаборативная фильтрация как и на last.fm без анализа содержимого самих песен
www.slideshare.net/erikbern/collaborative-filtering-at-spotify-16182818
www.slideshare.net/erikbern/mlhadoop-nyc-predictive-analytics-2
pandora — тут вроде бы эксперты проставляют тэги.
habrahabr.ru/post/161005
habrahabr.ru/post/194724
Еще вот есть датасет:
labrosa.ee.columbia.edu/millionsong
www.kaggle.com/c/msdchallenge
Кстати не знаю есть ли что то основанное чисто на анализе сырых данных песен?
spotify — тут вроде коллаборативная фильтрация как и на last.fm без анализа содержимого самих песен
www.slideshare.net/erikbern/collaborative-filtering-at-spotify-16182818
www.slideshare.net/erikbern/mlhadoop-nyc-predictive-analytics-2
pandora — тут вроде бы эксперты проставляют тэги.
+1
За ссылки спасибо, стало понятно откуда у меня эта идея взялась, помню как раз после прочтения второй ссылки захотелось повторить. Было бы интересно все 3 проекта объединить в один, вышел бы достаточно сильный продукт. Соревнования интересные, но давно закончились. В целом сервисов достаточно много, первоначально как раз думал взять за основу один из них, но из за адского недружелюбного API и «анализатора» заточенного под cpp решил написать свой, заодно упорядочить накопившиеся знания по анализу звука. К тому же все сервисы работают исключительно через интернет, хотел сделать самостоятельный, независимый ни от чего проект.
0
Только пользовательские вкусы в музыке нередко эволюционируют, зачастую связано это с тем, что натыкаешься на то, что раньше не слушал. Нейронная сеть исключит этот вариант.
А за статью спасибо.
А за статью спасибо.
0
Согласен, в конечном итоге профит не такой большой как хотелось (в моем конкретном случае), т.к. кроме эволюционирования еще есть огромное число не учтенных параметров, которые значительно влияют на выбор трека. К примеру не замечал, но в разных наушниках мне нравятся разные треки, или некоторые треки просто не подходят к текущему настроению и т.д.
0
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Формирование музыкальных предпочтений у нейронной сети — эксперимент по созданию умного плеера