Generování polyfonní hudby pomocí neurových sítí

• Název práce v češtině: Generování polyfonní hudby pomocí neurových sítí
• Název v anglickém jazyce: Generating polyphonic music using neural networks
• Klíčová slova: Generování hudby, počítačová kompozice, rekurentní neuronové sítě, hluboké učení
• Klíčová slova anglicky: Music generation, computational composition, recurrent neural networks, deep learning
• Akademický rok vypsání: 2016/2017
• Typ práce: bakalářská práce
• Jazyk práce: čeština
• Ústav: Ústav formální a aplikované lingvistiky (32-UFAL)
• Vedoucí / školitel: Mgr. Jan Hajič, Ph.D.
• Řešitel: Mgr. Marek Židek - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 24.04.2017
• Datum zadání: 26.04.2017
• Datum potvrzení stud. oddělením: 11.05.2017
• Datum a čas obhajoby: 06.09.2017 00:00
• Datum odevzdání elektronické podoby: 21.07.2017
• Datum odevzdání tištěné podoby: 21.07.2017
• Datum proběhlé obhajoby: 06.09.2017
• Oponenti: RNDr. Ladislav Maršík, Ph.D.

Zásady pro vypracování

V posledních letech se začínají používat neuronové sítě v různých oblastech umění jako například stylizace fotek či generování obrázků, a stejně tak přitahuje zájem generování hudby. Hudbu lze modelovat jako sekvenci not, respektive několik paralelních sekvencí not (v případě polyfonní hudby). Pomocí harmonií, tj. předdefinovaných podmnožin možných not, je možné modelovat vztahy v rámci těchto sekvencí, např. dur-mollový systém západní hudby.

Typickou volbou pro zpracování sekvenčních dat jsou rekurentní neuronové sítě. Hudební sekvence představují však pro tyto sítě problém, neboť jsou často periodické, obsahují netriviální závislosti na velké vzdálenosti, a navíc obsahují prvky kreativity a překvapení. Student se seznámí s neuronovými sítěmi ke generování hudby, vybrané modely implementuje a vyhodnotí jejich kvalitu v omezené míře pro generování hudby obvyklé (evaluace generování hudby je sama o sobě obtížný problém, robustní kvantitativní vyhodnocení se neočekává).

Seznam odborné literatury

[1] Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning. MIT Press, 2016

[2] Boulanger-Lewandowski, N., Bengio, Y., Vincent, P.: Modeling temporal dependencies in high-dimensional sequences: Application to polyphonic music generation and transcription. In: Proceedings of the 29th International Conference on Machine Learning (ICML-12), 2012.

[3] Eck, D., Schmidhuber, J.: A first look at music composition using LSTM recurrent neural networks. Instituto Dalle Molle Di Studi Sull Intelligenza Artificiale (2002)

[4] Daniel Johnson: Composing music with recurrent neural networks. [online] http://www.hexahedria.com/2015/08/03/composing-music-with-recurrent-neural-networks/ (cited 24. 4. 2016)