Show simple item record

dc.contributor.advisorLuque, Franco Martín, dir.
dc.contributor.authorCarranza, Francisco
dc.date.accessioned2018-09-21T15:46:57Z
dc.date.available2018-09-21T15:46:57Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/11086/6588
dc.descriptionTesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018.es
dc.description.abstractLa música es parte de nuestras vidas. Cada vez consumimos más contenido digital, queremos todo al instante y acorde a nuestros gustos. Dado el gigantesco catálogo musical que existe, resulta indispensable contar con un sistema automático que recomiende canciones relevantes para los usuarios. En este trabajo implementaremos un sistema de recomendación de música siguiendo estrategias del estado del arte en aprendizaje automático. Dado un historial de reproducciones de cada usuario, construiremos una matriz de baja dimensionalidad que modelará vectores de características latentes de las canciones. Luego, para poder recomendar nuevas canciones no incluidas en la base de datos original, intentaremos predecir esos vectores latentes a partir del audio crudo. Para ello transformaremos el audio en espectrogramas y usaremos esta representación como entrada de un modelo de aprendizaje automático profundo. Finalmente recomendaremos nuevas canciones teniendo en cuenta la similaridad entre vectores.es
dc.description.abstractMusic is part of our lives. Nowadays we consume more digital content,we want everything instantly and according to our tastes. Given the gigantic existing musical catalog, it is essential having an automatic system that recommends relevant songs to users. In this work we will implement a music recommendation system following state of the art techniques in machine learning. Given a real dataset of user play-count, we will build a matrix of low dimensionality that model songs as a latent characteristics vectors. Then, to be able to recommend new songs not included in the original dataset, we predict those latent vectors from raw audio. In this task, we will transform the audio into spectrograms and use this representation as input of a deep machine learning model. Finally we recommend new songs taking into account the similarity between vectors.en
dc.language.isospaes
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectMusic retrievalen
dc.subjectNeural networksen
dc.subjectRecommender systemsen
dc.subject.otherSistema de recomendaciónes
dc.subject.otherAprendizaje automáticoes
dc.subject.otherAprendizaje profundoes
dc.subject.otherRedes neuronales convolutivases
dc.subject.otherAudioes
dc.subject.otherMúsicaes
dc.subject.otherEspectrogramases
dc.titleRecomendación de música basada en contenido con deep learninges
dc.typebachelorThesises


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-CompartirIgual 4.0 Internacional
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 4.0 Internacional