Unsupervised Classification of Sub-Genres of Electronic Music

Denne oppgaven er en studie av uovervåket maskinlæringsteknikker for klassifisering og gruppering av undersjangre av elektronisk musikk. Nye undersjangre av elektronisk musikk introduseres ofte og de fleste har lignende lydegenskaper, det er en møysommelig oppgave å oppnå et skikkelig skille mellom dem. Derfor blir det viktig å utforske verktøy og teknikker som hjelper oss å skille mellom disse sjangrene enkelt og effektivt. To tilnærminger foreslått av Barreira og Rauber har blitt brukt for gruppering av musikk. Barreiras tilnærming bruker en modellbasert klyngeteknikk ved å bruke forventningsmaksimering for Gaussiske blandingsmodeller. Mens Rauber-tilnærmingen bruker Growing Hierarchical Self Organizing Maps, som er en utvidelse av Self Organizing Maps. Dessuten trekkes lydfunksjoner på lavt nivå som matematisk viser karakteristikker til lyd ut for innmating i disse algoritmene. Oppgaven avsluttes med å reflektere over resultatene, evaluere modellene, diskutere begrensninger og foreslå fremtidige arbeider