Classificação de gênero musical utilizando características de arquivos de áudio

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAlves, Marco Antonio Zanata, 1984--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data-
Autor(es): dc.creatorTroscianczuk, Luis Henrique da Rocha-
Data de aceite: dc.date.accessioned2025-09-01T12:16:12Z-
Data de disponibilização: dc.date.available2025-09-01T12:16:12Z-
Data de envio: dc.date.issued2025-05-22-
Data de envio: dc.date.issued2025-05-22-
Data de envio: dc.date.issued2023-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/93470-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/93470-
Descrição: dc.descriptionOrientador: Prof. Marco Antonio Zanata-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data.-
Descrição: dc.descriptionInclui referências-
Descrição: dc.descriptionResumo: A automatização do processo de classificação de gênero musical apresenta diversos desafios, desde a captura de características de sinais digitais, até a definição de critérios objetivos que diferenciem gêneros. Este trabalho visa analisar tais desafios e avaliar a viabilidade de tal processo. Para isso, foram treinados modelos de aprendizado de máquina com um dataset extraído com técnicas de webscraping e transformações dos sinais obtidos para obtenção dos MFCCs. Os resultados foram moderados e atingiram até 75% de acurácia avaliando a moda dos resultados de trechos de um mesmo álbum. O código desenvolvido está disponível em: https://github.com/luis951/sound-similarity/-
Descrição: dc.descriptionAbstract: The automation of the musical genre classification process presents several challenges, from capturing digital signal characteristics to defining objective criteria that differentiate genres. This work aims to analyze such challenges and evaluate the viability of such a process. For that, machine learning models were trained with a dataset extracted using webscraping techniques and transformations of the obtained signals to obtain the MFCCs. The results were moderate and reached up to an accuracy of 75% when evaluating the mode of results from samples from the same album. The developed code is available in: https://github.com/luis951/sound-similarity/-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectProcessamento de sinais - Técnica-
Palavras-chave: dc.subjectEstilo musical-
Título: dc.titleClassificação de gênero musical utilizando características de arquivos de áudio-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.