GERAÇÃO DE MÚSICA COM APRENDIZADO DE MÁQUINA

  • Joel Alexandre de Sá Júnior Universidade do Oeste Paulista - Unoeste
  • Mário Augusto Pazoti Universidade do Oeste Paulista - Unoeste
  • Leandro Luiz de Almeida Universidade do Oeste Paulista - Unoeste
  • Francisco Assis da Silva Universidade do Oeste Paulista - Unoeste
  • Danillo Roberto Pereira Faculdade de Informática de Presidente Prudente (FIPP) – Unoeste
Palavras-chave: Aprendizado de máquina, Música, Magenta, Redes Neurais, LSTM

Resumo

RESUMO – Aprendizado de máquina é um conceito que tem sido parte do dia-a-dia, sendo utilizado em aplicações como redes sociais, comércio digital, assistentes em telefones celulares, entre outras. Na área da música ele pode ser utilizado para inspirar compositores, produzir música inspirada em um estilo específico, ou gerar música em tempo real para jogos ou aplicações de RV. Este artigo irá avaliar a habilidade de uma rede neural de gerar resultados satisfatórios na área da música, utilizando a biblioteca Magenta, um conjunto de ferramentas para o uso de aprendizado de máquina em aplicações artísticas. As músicas são geradas baseadas em um dataset de composições de Bach e verificadas proceduralmente para plágio, comparando os resultados obtidos com o dataset.

Downloads

Não há dados estatísticos.

Biografia do Autor

Danillo Roberto Pereira, Faculdade de Informática de Presidente Prudente (FIPP) – Unoeste

Possui graduação em Ciência da Computação pela FCT-UNESP (2006) ; mestrado em Ciência da Computação pela UNICAMP (2009); e doutorado pela UNICAMP. Tem experiência na área de Ciência da Computação, com ênfase em Geometria Computacional, Computação Gráfica e Visão Computacional. lattes.cnpq.br/0122307432250869

Referências

AREL, I.; ROSE, D.; KARNOWSKI, T. Deep Machine Learning - A new Frontier in Artificial Intelligence Research. The University of Tennessee, 2010. https://doi.org/10.1109/MCI.2010.938364

CHEN, C-C J.; MIIKKULAINEN, R. Creating melodies with evolving recurrent neural networks, In: INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, 2001. Washington, DC Proceedings […].Washington, DC, 2001.

DENG, L.; YU, D. Deep Learning: Methods and Applications.Foundations and Trends. . Signal Processing v.7, n. /-3/4, p.197, 2014. https://doi.org/10.1561/2000000039

ECK, D.; SCHMIDHUBER, J. A First Look at Music Composition using LSTM Recurrent Neural Networks. Technical Report No. IDSIA-07-02. Istituto Dalle Molle Di Studi Sull Intelligenza Artificiale, 2002.

GOOGLE Brain, TensorFlow: A System for Large-Scale Machine Learning, 12th USENIX Symposium on Operating Systems Design and Implementation, 2016.

HOCHREITER, S..; SCHMIDHUBER, J.Long-Short Term Memory Neural Computation v.9, p. 1735-1780, 1993. https://doi.org/10.1162/neco.1997.9.8.1735

HUANG, A.; WU, R. Deep learning for music. Universe de Stanford, 2016.

LECUN, Y.; BENGIO, Y.; HINTOM, G. Deep Learning, Nature, v. 521, p. 436-444, 2015. https://doi.org/10.1038/nature14539

SAMUEL, A. Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, v. 3, n. 3, 1959. https://doi.org/10.1147/rd.33.0210

WAITE, E.; ECK, D.; ROBERTS, D.; ABOLAFIA, D. Project Magenta. 2016. Disponível em: https: //magenta.tensorflow.org. Acesso em: 18 mar. 2018.

Publicado
2019-07-31
Como Citar
Alexandre de Sá Júnior, J., Augusto Pazoti, M., Luiz de Almeida, L., Assis da Silva, F., & Pereira, D. R. (2019). GERAÇÃO DE MÚSICA COM APRENDIZADO DE MÁQUINA. Colloquium Exactarum. ISSN: 2178-8332, 11(2), 56-65. Recuperado de http://journal.unoeste.br/index.php/ce/article/view/3170

Outros artigos do(s) mesmo(s) autor(es)