KaydedilenlerDerginizi ekleyin

Dergiler / Konya Mühendislik Bilimleri Dergisi / 2018 / Cilt: 6 Sayı: 3

Klasik Türk Müziğinde Makam Tanıma İçin Veri Madenciliği Kullanımı

USING CLASSIFICATION ALGORITHMS FOR TURKISH MUSIC MAKAM RECOGNITION

Övünç ÖZTÜRK
Didem ABIDIN
Tuğba ÖZACAR
Sayfa
377–393
Yayın Tarihi
2018-09-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Makine öğrenmesi algoritmaları, %82-%88 arası performans göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Türk Müziği eserleri veri kümeleri hesaplamalı müzik alanında başta makam tanıma çalışmaları olmak üzere çeşitli araştırmalarda kullanılmaktadır.
📊
Temel Bulgular & Veri:Türk Müziği eserleri, farklı makamsal özellikler göstermeleri bakımından araştırmacılara zengin bir içerik sunmaktadır.
💡
Sonuç & Katkı:Makine öğrenmesi algoritmaları, %82-%88 arası performans göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine öğrenmesi algoritmaları · Makam tanıma · SymbTr

Özet

Türk Müziği eserleri veri kümeleri hesaplamalı müzik alanında başta makam tanıma çalışmaları olmak üzere çeşitli araştırmalarda kullanılmaktadır. Türk Müziği eserleri, farklı makamsal özellikler göstermeleri bakımından araştırmacılara zengin bir içerik sunmaktadır. Bu alanda en çok referans gösterilen Türk Müziği veri setlerinden biri SymbTr veri setidir. Bu çalışmada, SymbTr veri kümesinden 13 makama ait eserler üzerinde 10 farklı makine öğrenmesi algoritması çalıştırılmış ve bu algoritmaların performansları değerlendirilmiştir. Bu algoritmalar WEKA uygulama ortamı üzerinde çalıştırılarak makam tanımadaki başarım yüzdeleri f-ölçütü ve duyarlılık metrikleri üzerinden hesaplanmıştır. Makine öğrenmesi algoritmaları, %82-%88 arası performans göstermiştir.

Abstract

Turkish Music pieces are used in various studies including makam recognition in computational music domain. Turkish Music pieces offer a rich content to the researchers because of their different makam properties. SymbTr is one of the most referred Turkish Music data sets in this area. In this study, the pieces from SymbTr data set belonging to 13 makams are used to execute 10 different machine learning algorithms for makam recognition and the performances of these algorithms are evaluated. These algorithms were executed on WEKA application environment and the performances in makam recognition were obtained with F-measure and recall metrics. The machine learning algorithms performed between 82% and 88%.

🔖

Bu Makaleye Atıf Yap

ÖZTÜRK, Ö., ABIDIN, D., ÖZACAR, T. (2018). Klasik Türk Müziğinde Makam Tanıma İçin Veri Madenciliği Kullanımı. Konya Mühendislik Bilimleri Dergisi, Cilt: 6 Sayı: 3, 377–393. https://ajindex.com/articles/938686

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Abdoli, S., 2011, "Iranian Traditional Music Dastgah Classification", 12. International Society for Music Information Retrieval Conference (ISMIR 2011),
  2. Florida, USA, 275-280, 2011.
  3. Abidin, D., Öztürk, Ö., Özacar Öztürk, T., 2017, "Klasik Türk Müziğinde Makam Tanıma Için Veri Madenciliği Kullanımı", Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Vol. 32(4), pp. 1221-1232.
  4. Alfaro, E., Gamez, M., Garcia, N., 2013, "adabag: An R Package for Classification with Boosting and Bagging", Journal of Statistical Software, Vol. 54 (2), pp. 1 - 35. Bayes, M., Price, M., 1763, "An Essay Towards Solving a Problem in The Doctrine of Chances. By the Late Rev. Mr. Bayes, F. R. S. Communicated by Mr. Price, in a Letter to John Canton, A. M. F. R. S.", Philosophical Transactions, Vol. 53, pp. 370–418. Bishop C.M., 2006, Pattern Recognition and Machine Learning, Springer-Verlag. Bozkurt, B., Ayangil, R., Holzapfel, A., 2014, “Computational Analysis of Turkish Makam Music: Review of State-of-the-Art and Challenges”, Journal of New Music Research, Vol. 43(1), pp. 3-23.
  5. Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J., 1984,
  6. Classification and Regression Trees, Belmont Wadsworth International Group, CA. Breiman, L., 1996, "Bagging Predictors" Machine Learning, Vol. 24(2), pp. 123–140.
  7. Breiman, L., 2001, "Random Forests". Machine Learning, 5–32. doi: 10.1023/A:1010933404324. Can, M.C., 2002, "Geleneksel Türk Sanat Müziğinde Arel - Ezgi - Uzdilek Ses Sistemi ve Uygulamada Kullanılmayan Bazı Perdeler", G.Ü. Gazi Eğitim Fakültesi Dergisi, Vol. 22(1), pp. 175-181.
  8. Caudill, M., 1989, "Neural Network Primer: Part I", AI Expert. Cohen, W.W., 1995, "Fast Effective Rule Induction", Proceedings of the 12th International Conference on Machine Learning, 115–123.
  9. Cortes, C., Vapnik, V., 1995, "Support Vector Networks", Machine Learning, Vol. 20, pp. 273-297.
  10. Darabi, N., Azimi, N., Nojumi, H., 2006, "Recognition of Dastgah and Makam for Persian Music with Detecting Skeletal Melodic Models", 2. IEEE BENELUX/DSP Valley Signal Processing Symposium, Doetsch, P., Buck, C., Golik, P., Hoppe, N., Kramp, M., Laudenberg, J., Oberdörfer, C., Steingrube, P., Forster, J., Mauser, A., “Logistic Model Trees with AUC Split Criterion for the KDD Cup 2009 Small Challenge”, ACM Knowledge Discovery and Data Mining (KDD), France, 77-88, 28 June 2009.
  11. Duda, R.O., Hart, P.E., Stork, D., 2000,
  12. Pattern Classification, Wiley and Sons. Fontana, F.A., Mäntylä, M.V., Zanoni, M., Marino, A., 2016, "Compa