but.committee	doc. Ing. František Zbořil, Ph.D. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. Ing. Vladimír Drábek, CSc. (člen) Ing. Matěj Grégr, Ph.D. (člen) Dr. Ing. Petr Peringer (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: V práci popisujete extrakci atributů z hlediska časové oblasti. Zohledňujete ve svých klasifikátorech také změnu extrahovaných atributů v různých časových oblastech hudebního souboru? Jak toto může ovlivnit klasifikaci, pokud soubor obsahuje například několik časově navazujících hudebních žánrů? Jakým způsobem provádíte klasifikaci? Jaké atributy používáte?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Janoušek, Vladimír	cs
dc.contributor.author	Sládek, Matyáš	cs
dc.contributor.referee	Smrčka, Aleš	cs
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zabývá klasifikací hudebních souborů pomocí algoritmů strojového učení. V práci bylo porovnáno sedm klasifikačních algoritmů z hlediska úspěšnosti klasifikace a rychlosti zpracování na třech datových sadách. Využity byly dvě metody pro extrakci atributů, dvě metody pro selekci atributů a dvě metody optimalizace parametrů. Nejvíce se osvědčil model XGBClassifier, který dosáhl úspěšnosti klasifikace 87.56 % na datové sadě Extended Ballroom Dataset, 64.56 % na datové sadě FMA: A Dataset For Music Analysis a 83.50 % na datové sadě GTZAN. Tento model může být využit při tvorbě seznamů skladeb či kategorizaci hudební databáze.	cs
dc.description.abstract	This thesis is focused on classification of music files using machine learning algorithms. Seven classifiers were compared in this thesis, based on classification accuracy and speed. Two feature extraction methods, two feature selection methods and two parameter optimization methods were used. The best classifier proved to be XGBClassifier, which had reached accuracy of 87.56 % on dataset Extended Ballroom Dataset, 64.56 % on dataset FMA: A Dataset For Music Analysis and 83.50 % on dataset GTZAN. This model could be used for playlist creation or music database categorization.	en
dc.description.mark	C	cs
dc.identifier.citation	SLÁDEK, M. Klasifikace hudebních souborů pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129878	cs
dc.identifier.uri	http://hdl.handle.net/11012/194951
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	strojové učení	cs
dc.subject	předzpracování dat	cs
dc.subject	extrakce atributů	cs
dc.subject	selekce atributů	cs
dc.subject	optimalizace parametrů	cs
dc.subject	klasifikace	cs
dc.subject	machine learning	en
dc.subject	data preprocessing	en
dc.subject	feature extraction	en
dc.subject	feature selection	en
dc.subject	parameter optimization	en
dc.subject	classification	en
dc.title	Klasifikace hudebních souborů pomocí strojového učení	cs
dc.title.alternative	Classification of Music Files Using Machine Learning	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-08-25	cs
dcterms.modified	2020-08-27-21:21:47	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129878	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:33:09	en
sync.item.modts	2025.01.15 21:04:37	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Klasifikace hudebních souborů pomocí strojového učení

Files

Original bundle

Collections