A seeker after truth

1. 저번에 템포 분석을 했는데, 암만 생각해도 너무 부정확한 것 같아서 뭔가 정확도를 높이려고 좋은 이론 베이스 자료를 찾아서 좀 공부해봄. Challenges in beat tracking Pulse level often unclear  Local/sudden tempo changes (e.g. rubato)  Vague information (e.g., soft onsets, extracted onsets corrupt)  Sparse information (often only note onsets are used) Onset is the time position where a note is played Onset typically goes along with a change of the si..

1. 음악 특징점간 유사도 측정 -> 동일 음원 인식 방법 음악 간 유사도는 DTW(dynamic time warping) 기법 활용해 측정 특징 벡터 형태의 데이터로 변형된 후 유사도 측정 과정 거침 유사도 측정은 입력 음악 & 서버 소 ㄱ음악 간 추출된 특지 ㅇ데이터들 간 절대 거리 차이 계산 MFCC는 인간 발성 모델이 아닌 청각 모델 기반으로 만들어져 음성 뿐 아니라 여러 사운드가 복합된 디지털 음악에서도 특징 벡터 추출 가능 디지털 시그널 프로세싱은 미디를 통한 방법과 다르게 음악 자체로부터 정보를 추출하므로 모든 파일 규격에 적용 가능. 여기서 음의 고저, 음색, 화음 등의 특징을 추출한다. 자른 음원을 20ms 길이로 frame화(10ms길이씩 중복되는 부분이 생기도록 20ms 크기 프레임으..

1. 파일을 불러오고 trim 하는 작업 코드는 여기서 참고중: https://kaen2891.tistory.com/32 여기서 샘플링 비율 개념에 대해 검색해서 알아봄 그 과정에서 오디오 용어에 대한 좋은 포스트를 찾았고 https://blog.naver.com/PostView.nhn?blogId=kimyoseob&logNo=220760163474 mp3 파일에 대해 먼저 불러오는 시험을 해봤다. 그랬더니 /usr/local/lib/python3.7/site-packages/librosa/core/audio.py:161: UserWarning: PySoundFile failed. Trying audioread instead. warnings.warn('PySoundFile failed. Trying a..

기술 통계의 '상관 분석' 쓸만할듯! MDS: Multi Dimensional Scaling(다차원 척도법) 주성분분석 로지스틱 회귀 분석 하지만 가장 중요한 군집분석은 아직 결정 안났다... [가사의 감정 분석과 구조 분석을 이용한 노래 간 유사도 측정] 추천 시스템은 추천에 사용하는 데이터의 종류에 따 라 두 가지로 분류된다. 사용자간 취향의 유사도를 이용 하는 추천 시스템은 협업 필터링(Collaborative Filtering) 기법으로 분류되고, 추천 대상인 아이템의 유사도를 이 용하는 추천 시스템은 내용 기반 필터링(Content-based Filtering)기법으로 분류된다. 내용 기반 필터링 기법을 사용한 대표적 음악 추천 시스템으로 판도라의 추천 시 스템이 있다. Last.fm의 추천 시..

1. 관심 주제? 제가 관심 있는 주제라 하면 단도직입적으로, 전 네트워크 분석 기법에 제일 관심이 가서 이걸 반드시 캡스톤에서 메인으로 다루고 싶었어요. 그래서 네트워크 분석 기법이 들어간 데이터 사이언스 포트폴리오만 8개 정도 봤는데, 분석하고자 하는 목표가 이 기법에 정확하게 들어맞지 않으면 너무나 피상적인 수준의 결과만 도출되기 십상이라는 것을 알게 됐다. 그래서 다른 데이터 사이언스 포트폴리오들을 보면서 다시 고민해봤다. 그러다 17년도 파이콘(파이썬 컨퍼런스) 발표 세션 중 이런 발표 세션을 발견했고, 이 발표에서 착안해 캡스톤 주제를 정했다. 결론적으로 난 음성 데이터 분석을 하기로 했고, 주제를 비롯한 자세한 내용은 다음주 주제 발표 시간에 언급하는 걸로 하겠. 오늘은 내가 본 이 발표 세..

프로그램 정보: https://archive.pycon.kr/2017/program/156 2017 대선후보 TV토론 쪼개기 (Who Spoke When?) 이 발표는 일반적으로 알려진 통계 또는 클러스터링 알고리즘으로 대선후보 TV토론의 오디오 스트림을 후보자별로 나누는(Who Spoke When?) 과정을 다룹니다. 전체 과정은 Feature Extraction, Segmentation, 그리고 Clustering 의 세 단계로 나뉘며, 각각에서 이런 내용들을 다룹니다.1. Feature Extraction : 첫번째 단계에서 대선후보 TV토론 방송 음원을 음성인식(Speech Recognition) 또는 archive.pycon.kr 영상 링크: https://www.youtube.com/watch..