La clave para este tipo de aplicación sería identificar el estado de ánimo del usuario. Una de las mejores y típicas formas de hacerlo es lanzar un pequeño cuestionario objetivo para comprender el estado de ánimo actual del usuario. Cada vez que el usuario accede a la aplicación, este cuestionario dará una puntuación a cada estado de ánimo. Digamos que obtuvimos este puntaje (de 100)
Agotado: 60
Culpable: 20
- ¿Hay bases de datos de palabras clave abiertas?
- ¿Por qué se le da tanta atención a xgboost que al aprendizaje profundo a pesar de su ubicuidad en ganar soluciones de Kaggle?
- ¿Qué resultado arrojará una máquina de aprendizaje profundo bien entrenada de esta imagen?
- ¿Qué necesitan saber los desarrolladores de aplicaciones sobre Siri para interactuar con él?
- ¿Cuál es la diferencia entre la función de pérdida y la función de activación?
Feliz: 10
Solo: 30
Enojado: 15
Deprimido: 70
Ahora, sabemos que nuestra lista de reproducción debe contener una mezcla de Motivacional para deprimidos y R & B para un estado de ánimo exhausto, preferiblemente en la proporción del puntaje que hemos obtenido. Después de cierto tiempo, tendremos los datos suficientes para comprender el comportamiento de nuestro sujeto. Por ejemplo, la mayoría de las veces el usuario permaneció en estado de ánimo deprimido, en las horas de la mañana se siente solo, etc. Utilizando estos factores podemos personalizar y reducir las preguntas durante un período de tiempo.
Para la clasificación de la música, necesita un modelo supervisado y, en mi opinión, puede diseñar Support Vector Machine basado en Singer, Music Composer, Loudness, Tempo, etc. Hay mucho papel disponible en Music Genre Classification. (http://cs229.stanford.edu/proj20… y https://www.cs.swarthmore.edu/~m…)
No busques la perfección. El mundo no existe en el mundo estadístico. Pruébalo y sigue trabajando para mejorar las predicciones.
