Browsing by Author "Aljanaki, Anna, juhendaja"

Now showing 1 - 9 of 9

Audio Transformations Based Explanations (ATBE) for deep learning models trained on musical data
(Tartu Ülikool, 2024) Chung, Cheng-Han; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Süvaõppe mudeli käitumise selgitamine on keeruline. Arvutinägemismudelite puhul on olemas mitu meetodit, millega saab esile tuua piirkonnad, millele võrk pildil keskendub. Muusika klassifitseerimise mudeli puhul ei anna see tavaliselt rahuldavat tulemust, sest heli põhjal treenitud mudelite tõlgendamine peab põhinema mitte visuaalsetel, vaid muusikalistel mõistetel, mis on seotud inimeste jaoks oluliste akustiliste omadustega, nagu helikõrgus, tempo, meloodia, harmoonia. Käesolevas lõputöös pakume välja uut meetodit, mis aitab heli muutes välja selgitada, millised akustilised omadused olid olulised teatud klasside ennustamiseks. Selleks kasutatakse neid vigu, mida mudel muudetud sisendil teeb, ja LIME meetodi.
Bakterite eristamine fluoromeetri spektrist masinõppe abil
(Tartu Ülikool, 2024) Rõõm, Rimmo; Rebane, Ott, juhendaja; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
In this master thesis, the most suitable machine learning solution is found for the fluorometer device H2B-Spectral developed by LDI Innovation OÜ. The machine learning methods tested in this thesis aim to improve the differentiation of various microorganisms on selected solid surfaces. The device functions as a multi-channel fluorometer, exciting the measured sample surface with three different ultraviolet wavelengths and reading the emitted optical fluorescence signal on three different wavelength channels. Based on the obtained eight number data (one channel provides no information), the sensor's software must classify the measurement point into pre-learned classes. In this study, over thirteen classes of various microorganisms are measured, and different machine learning methods (including decision tree, random forest, KNN, support vector machine, ensemble voting) are compared for their classification performance. The most effective classification method identified in this study will be implemented in the standard machine learning system in the software for H2B-Spectral.
Collaborative filtering recommendation algo-rithms performance on an implicit feedback da-taset
(Tartu Ülikool, 2021) Lõhmus, Kristjan; Aljanaki, Anna, juhendaja; Berber, Hakan, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Antud töö eesmärgiks on valida ja implementeerida soovitussüsteem USA-s opereerivale võr-gumängude platvormile. Süsteemi eripärasid ja olemasolevaid andmeid arvestades valiti mudelipõhine lähenemine süsteemi koostamiseks. Implementeeriti kaks mudelit: Alternating Least Squares (ALS) ja Bayesian Personalized Ranking (BPR), mida treeniti süsteemist saadud andmete põhjal. Mudelite väljundi hindamiseks kasutati AUC-d ja mediaantäpsust. Tulemused näitasid, et mudelid töötasid koguandmetel identse täpsusega, kuid uute mängijate hindamisel sai parema tulemuse ALS.
Eesti regionaalsete majandusandmete visualiseerimiseks töölaua lahenduse loomine
(Tartu Ülikool, 2024) Uibo, Asso; Aljanaki, Anna, juhendaja; Nestor, Mihkel, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The aim of this master's thesis was to create a dashboard for visualizing regional economic data, providing local and regional representatives with a quick overview of the area's socio-economic situation, trends, and aiding in decision-making. The dashboard consolidates data from various sources, utilizing publicly available information from national sources such as the Statistics Estonia, the Commercial Register, and the Tax and Customs Board. Developed using Python programming language and Streamlit software, the dashboard adheres to best practices in data visualization to ensure ease of use, clarity, and efficiency for the target audience. User testing indicated that the dashboard effectively meets the objectives set by various users. It facilitates the collection and comparison of general regional information. Suggestions for enhancements primarily focused on the incorporation of additional filters for more detailed analysis, enabling the display of specific information regarding selected local governments, business sectors, or individual companies. Proposed enhancements for the dashboard's further development included integration with national information systems and the automation of data updates.
Generating Real Time Adaptive Game Music
(Tartu Ülikool, 2021) Baranin, Ingvar; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis aims to construct and train an LSTM-based machine learning model that can automatically generate real time adaptive video game music. In order to demonstrate its capabilities, a game using the model’s music is developed. A review of similar existing works and the methodology of the thesis is provided, as well as the analysis of the final product.
Inspektor-kontaktisikute töökoormuse analüüs ja töölaua loomine vanglateenistuses
(Tartu Ülikool, 2024) Tuberik, Lea; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The job of case managers in Estonian prisons consists of structured activities, which are recorded in the database. These data have been analyzed in this master's thesis in order to find the activities that best describe the case manager’s workload, and a dashboard was created that visualizes the work of the case managers, aggregated by prison and its units. The dashboard was deployed in all Estonian prisons.
Loomuliku keele töötlemise algoritmide kasutamine muusikasarnasuse leidmisel
(Tartu Ülikool, 2022) Lindpere, Mait; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva magistritöö raames viiakse läbi eksperimentaalne uurimus leidmaks kas muusika semantilise kirjelduse (antud töö kontekstis albumikirjelduste) järgi on võimalik muusikat soovitada. Püstitatud ülesande lahendamiseks võrreldakse NLP meetoditega muusika metaandmetest avastatud tunnuste järgi leitud muusikasarnasust muusikakasutajatest inimeste sarnasuse hinnangutega. NLP meetodite sooritusele hinnangu andmiseks kasutatakse võrdluseks audio meetodite järgi leitud muusikasarnasust. Lisaks kombineeritakse uurimistöös NLP ja audio meetodeid. TagATune mängust kogutud inimekspertide hinnanguid muusikaklippide sarnasusele kasutati NLP ja audio meetodite tulemuste hindamisel tõe etalonina. Töö tulemusel selgus, et NLP meetoditega leitud muusikasarnasus on üksi kasutamiseks vähetäpne, paremasid tulemusi näitasid audio meetodid. Kombineerides mõlema lähenemise paremaid sooritusi näidanud meetodeid saavutati antud töö kontekstis kõige täpsem tulemus.
Muusika saate genereerimine tingimusliku vastandgeneratiivse närvivõrgu abil
(Tartu Ülikool, 2024) Västrik, Priidik Meelo; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Generation of good quality music accompaniment is very useful for composers and music producers. Generative artificial neural networks are booming and there is recently an increasing amount of music generation models published. The aim of this Bachelor’s thesis is to generate music accompaniment using spectrograms and an image translation model Pix2Pix. Experiments are con-ducted to generate different types of accompaniments. The best results are achieved when gener-ating the drum stem. It can be seen from the results that generative adversarial networks’ outputs contain unnatural artifacts that affect the results badly. Preventing this requires lots of finetuning.
Muusika toonimise kasutamine muusika žanrite klassifitseerimise mudelites
(Tartu Ülikool, 2023) Kasepuu, Raivo; Aljanaki, Anna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva magistritöö raames teostatakse uurimus leidmaks, kuidas muusikafailide toonimised mõjuvad muusika žanrite klassifitseerimiste mudelite täpsusele. Püstitatud ülesande lahendamiseks võrreldakse toonimata andmestikuga etalon mudeli täpsust erinevate toonitud andmestike abil loodud mudelite täpsustega. Töö sisendiks on GTZAN muusika andmestik ja muusika toonimisi uuritakse MFCC koefitsientidel põhinevatel muusika žanrite klassifitseerimise mudelitel. Töö tulemusel selgus, et toonitud muusikaga rikastatud andmestikel treenitud muusika žanri klassifitseerimise mudelid on keskmiselt täpsemad kui ainult toonimata muusika muusikal treenitud mudelid.