No hay muchos parámetros. Básicamente, aumentar la frecuencia de muestreo durante la grabación siempre mejorará las ondas de sonido que se crearán mientras se reproduce la grabación, todas las cosas se consideran de primera categoría e iguales.
Pero como lo dije, la frase clave es “mientras se graba”.
El problema con su sugerencia es que el muestreo ascendente aumentará solo los puntos de datos recopilados durante la grabación. No agregará los puntos de datos que tienen la información que se pierde durante la grabación.
- Durante la limpieza de datos cuando tiene un número decimal que representa el número de personas, ¿debe redondear hacia arriba o hacia abajo? Además, ¿qué sucede si el número total de todos los números redondeados no coincide con el número total de personas, es un error?
- ¿Cómo se derivan las funciones de costo para las redes neuronales?
- Cómo aplicar el aprendizaje automático a la realidad virtual / aumentada
- Estamos viendo el comienzo de las máquinas que pueden codificar. ¿Aprender un lenguaje de programación aún sería útil en la carrera de ML?
- En una unidad LSTM, ¿cuál es la razón detrás del uso de una activación de tanh?
Mientras graba, de hecho está filtrando los datos analógicos cuando muestrea el sonido para crear el archivo digital. Esto significa que está perdiendo los componentes de alta frecuencia (la información) del sonido. No hay forma conocida de recuperar esa información. Porque para que eso suceda, tendrías que viajar en el tiempo en algún sentido. La implicación es que si pudiéramos hacer eso, también podríamos hacer algunas locuras (estaría muy emocionado de ver eso)
Ahora, el aprendizaje automático puede ayudar a mejorar un poco el sonido al aprender a predecir qué componentes de alta frecuencia suelen estar presentes con qué componentes de baja frecuencia. Pero esto no es lo mismo que recuperar información perdida. Esto predice lo que podría haberse perdido.
Mejor.