Hay muchos paralelismos entre la música y el lenguaje y, como tal, existen muchos paralelos entre el procesamiento del lenguaje natural (PNL) y el procesamiento de la música. En PNL vemos que el aprendizaje automático (ML) es útil tanto para clasificar texto como para generar texto en conversaciones y aplicaciones de respuesta a preguntas. Del mismo modo, ML es una gran herramienta para muchas aplicaciones musicales y el análisis que resulta de modelos entrenados es útil para todo, desde las características de etiquetado de la música, como progresiones de acordes o géneros, hasta la generación automática de composiciones o improvisaciones.
En el lado de la clasificación de las cosas, ML se utiliza para tareas relacionadas con el etiquetado. Ejemplos típicos son cosas como el reconocimiento de género o emoción. Hay un conjunto típico de características de audio que representan todo, desde las características físicas de la señal de audio (amplitud, flujo espectral, etc.) hasta las características perceptivas (sonoridad, brillo) y las características musicalmente relevantes (croma, ubicaciones de ritmo, tempo, etc.). Luego, estas características se lanzan a un clasificador y se mide el rendimiento.
Creo que la selección de características es la parte más importante de estas tareas y, en general, los grandes aumentos en el rendimiento no provienen del uso de clasificadores alternativos, sino de encontrar características que se correlacionen mejor con la percepción humana o nuevas formas de representar los datos de audio (como Transformada de Fourier vs. Transformada Q constante). El aprendizaje profundo y otros métodos de aprendizaje no supervisados son prometedores porque no siempre está claro cuáles son las mejores características, por lo que dejar que el algoritmo lo descubra suele ser una buena manera de hacerlo. Sin embargo, a pesar de todas las características y métodos de clasificación, todavía hay tanta subjetividad a la hora de clasificar una pieza musical y, a menudo, dos personas no siempre están de acuerdo con el género, estilo o emoción particular de la música. Además, simplemente hacer algunos clusters sin supervisión en un conjunto de datos de música que abarca muchos estilos generalmente no da como resultado clústeres que contengan música que sea perceptivamente similar. La similitud musical es difícil de describir y medir debido a la gran cantidad de dimensiones en las que se puede describir la música. Este es un gran desafío en la recuperación de información musical.
- ¿Qué es una explicación intuitiva de la diferencia entre equilibrios correlacionados y equilbria correlacionada gruesa?
- ¿Cuál es la relación entre la teoría de la Gestalt y el aprendizaje profundo?
- ¿Qué papel juega la función logística en el algoritmo de regresión logística en el aprendizaje automático?
- Los datos financieros fluyen como 'gatos que cambian sus caras porque las computadoras los reconocen en YouTube'. ¿Hay una solución a este problema?
- ¿Cuáles son las próximas competencias de Kaggle?
También puede ver el ML utilizado en la ejecución de música en tiempo real para identificar sonidos como el tambor que se está tocando o el instrumento que se está tocando. Los músicos electrónicos usarán estas clasificaciones para controlar algunos otros parámetros en la música. Pero, de nuevo, ningún método será 100% especialmente en escenarios de rendimiento en tiempo real donde puede haber una buena cantidad de ruido, por lo que a menudo el éxito de estas actuaciones depende de las decisiones de los músicos y desarrolladores sobre cómo manejar los errores.
ML también es una buena herramienta para el seguimiento de tono polifónico. El seguimiento de tono monofónico se considera un problema resuelto, pero el seguimiento de tono polifónico es extremadamente difícil. La separación perfecta de la fuente de sonido es el santo grial del procesamiento de la señal de música y, por ahora, no es nada perfecto, por lo que ML se utiliza para crear modelos de fuentes individuales en la señal y rastrear sus trayectorias de frecuencia a medida que avanzan en el tiempo. La factorización matricial no negativa, HMM y RBM son actualmente muy populares en esta investigación.
Desde el punto de vista generativo, donde las aplicaciones crean música original, ML a menudo se usa en aplicaciones de “modelado de estilos” en las que se aprende una representación estadística del estilo de un músico o compositor en base a un conjunto de datos de su trabajo. Por ejemplo, si quisiéramos crear un robot de jazz (esta es realmente mi investigación) que podría improvisar como John Coltrane, podríamos aprender un modelo que describa las probabilidades de transición de nota a nota (cadenas de Markov), tendencias de escala a acorde, tendencias rítmicas , longitudes de frase, etc. Una vez que se construye este modelo, podemos usarlo para crear nueva música al estilo del músico del que se formó el modelo.
Como puede ver, ML es una herramienta poderosa en el campo de la recuperación de información musical y la música de computadora y estoy seguro de que seguirá siendo igual que en otros campos como PNL y visión por computadora.
