Makine öğrenmesi yoluyla öznitelik tabanlı tını karşılaştırması ve arayüz tasarımı
Feature-based timbre comparison via machine learning and interface design
- Tez No: 992441
- Danışmanlar: PROF. DR. ABDURRAHMAN TARİKCİ
- Tez Türü: Doktora
- Konular: Müzik, Music
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Müzik ve Güzel Sanatlar Üniversitesi
- Enstitü: Müzik ve Güzel Sanatlar Enstitüsü
- Ana Bilim Dalı: Müzikoloji Ana Bilim Dalı
- Bilim Dalı: Müzik Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde makine öğrenmesi teknolojileri, büyük veri çağının en belirleyici unsurlarından biri olarak konumlanmıştır. Dijital ortamda üretilen ve depolanan veri miktarının hızla artması, bu verilerin sınıflandırılması, organize edilmesi ve anlamlandırılması süreçlerini manuel yöntemlerle sürdürülemez hale getirmiştir. Bu noktada makine öğrenmesi, karmaşık veri kümeleri arasındaki örüntüleri otomatik olarak tanımlayabilme ve bu örüntülerden yüksek doğrulukta tahminler üretebilme kapasitesiyle, veri organizasyonu ve içerik temelli bilgi erişim sistemlerinde devrim niteliğinde bir rol üstlenmiştir. Özellikle metin, görsel ve işitsel içeriklerin analizinde kullanılan bu teknolojiler, yalnızca bilgiye erişimi kolaylaştırmakla kalmamış; aynı zamanda üretim süreçlerinin otomasyonunda da önemli bir dönüşüm yaratmıştır. Bu tez çalışması, söz konusu dönüşümün müzik üretim süreçlerindeki yansımalarına odaklanmaktadır. Dijital ses teknolojilerinin gelişimiyle birlikte, müzik prodüktörleri milyonlarca örneklenmiş sese çevrimiçi platformlar aracılığıyla erişebilmektedir. Ancak bu çeşitlilik, üretim sürecinde doğru sesi seçme aşamasını hem zaman hem de verimlilik açısından önemli bir sorun haline getirmiştir. Bu problemden hareketle çalışma, makine öğrenmesi temelli tınısal benzerlik analizine dayalı bir arayüz sistemi tasarlamaktadır. Çalışmanın amacı, seslerin içerik temelli analizi yoluyla otomatik sınıflandırma ve benzerlik tespiti gerçekleştirebilen bir sistem geliştirerek, müzik prodüksiyon sürecindeki ses seçimini hızlandırmak ve ses organizasyonunu optimize etmektir. Araştırma kapsamında, kick, snare, rim, clap, cymbal, hat ve bass olmak üzere yedi farklı enstrüman sınıfından oluşan 6435 tek-atım (one-shot) ses dosyası içeren bir veri seti oluşturulmuştur. Bu seslerden 42 adet spektral ve zamansal öznitelik çıkarılmış, elde edilen öznitelikler hem klasik makine öğrenmesi mimarileri hem de derin öğrenme tabanlı yapay sinir ağı (YSA) mimarisiyle eğitilmiştir. YSA modeli, üç farklı öznitelik setiyle (tüm öznitelikler, en etkili 20 öznitelik ve en etkili 10 öznitelik) yeniden eğitilerek performansları doğruluk, kesinlik, duyarlılık ve F1 skorları üzerinden karşılaştırılmıştır. Çalışma sonucunda derin öğrenme mimarisinin, özellikle düşük frekans bölgelerindeki kick ve bass sınıflarında daha yüksek doğruluk oranlarına ulaştığı belirlenmiştir. YSA'nın gömü (embedding) katmanında elde edilen temsiller, seslerin tınısal benzerliklerini temsil eden çok boyutlu vektör uzayları oluşturarak benzerlik analizinin doğrudan kategorizasyon sürecine entegre edilmesini sağlamıştır. Tez kapsamında geliştirilen Streamlit tabanlı arayüz, kullanıcıların kendi ses dosyalarını yükleyip bu dosyalar arasındaki tınısal yakınlıkları analiz edebileceği etkileşimli bir platform sunmaktadır. Arayüz, benzer sesleri listeleyebilmekte, sınıflandırma sonuçlarını görselleştirebilmekte ve yerel ortamda çevrimdışı olarak çalışabilmektedir. Sonuç olarak bu tez, makine öğrenmesi ve derin öğrenme teknolojilerinin müzik teknolojisi alanındaki veri organizasyonu, ses analizi ve yaratıcı üretim süreçlerine entegrasyonuna yönelik yenilikçi bir yaklaşım sunmaktadır. Geliştirilen sistemin açık kaynaklı yapısı sayesinde hem akademik araştırmacılar hem de müzik prodüktörleri için yeniden üretilebilir, geliştirilebilir ve pratik bir çözüm önerisi sunduğu öngörülmektedir.
Özet (Çeviri)
In contemporary times, machine learning technologies have become one of the most defining elements of the big data era. The rapid increase in the amount of data produced and stored in digital environments has rendered the processes of classifying, organizing, and interpreting such data unsustainable through manual methods. At this point, machine learning has assumed a revolutionary role in data organization and content-based information retrieval systems, owing to its capacity to automatically identify patterns within complex datasets and generate high-accuracy predictions based on these patterns. Particularly in the analysis of textual, visual, and auditory content, these technologies have not only facilitated access to information but also initiated a significant transformation in the automation of production processes. This thesis focuses on the reflections of this transformation within the domain of music production. With the advancement of digital audio technologies, music producers can now access millions of sampled sounds through online platforms. However, this vast diversity has made the selection of the right sound a considerable challenge in terms of both time and efficiency. Building upon this problem, the present study proposes an interface system based on timbral similarity analysis utilizing machine learning techniques. The aim of the research is to develop a system capable of automatically classifying and detecting similarities among sounds through content-based analysis, thereby accelerating sound selection and optimizing sound organization in the music production workflow. Within the scope of the study, a dataset consisting of 6,435 one-shot audio samples was constructed, encompassing seven instrument classes: kick, snare, rim, clap, cymbal, hat, and bass. From these sounds, 42 spectral and temporal features were extracted. The obtained features were trained using both classical machine learning models and a deep learning-based artificial neural network (ANN) architecture. The ANN model was re-trained using three different feature sets (all features, the top 20 most effective features, and the top 10 features), and their performances were compared based on accuracy, precision, recall, and F1-score metrics. The findings revealed that the deep learning architecture achieved higher accuracy, particularly for low-frequency instrument classes such as kick and bass. The representations obtained from the embedding layer of the ANN formed multidimensional vector spaces that encoded the timbral similarities of the sounds, allowing the similarity analysis to be directly integrated into the categorization process. A Streamlit-based interactive interface was developed as part of the thesis, enabling users to upload their own sound files and analyze timbral similarities among them. The interface can list similar sounds, visualize classification results, and operate locally in an offline environment. In conclusion, this study presents an innovative approach to integrating machine learning and deep learning technologies into data organization, sound analysis, and creative production processes within the field of music technology. Owing to its open-source structure, the developed system offers a reproducible, extensible, and practical solution for both academic researchers and music producers.
Benzer Tezler
- Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Predictive maintanance with graph based feature selection & machine learning in electrical busses
AYŞE IRMAK ERÇEVİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT ÖZBAYOĞLU
- Nörodejeneratif hastalıkların entropi tabanlı öznitelikler kullanılarak makine öğrenmesi yöntemleriyle sınıflandırılması
Classification of neurodegenerative diseases by machine learning methods using entropy based features
DİLARA ARAPOĞLU
Yüksek Lisans
Türkçe
2023
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ERSOY ÖZ
- Sosyal ağ analizi tabanlı özgün görselleştirilebilir aykırı veri tespiti, öznitelik seçimi ve gözetimli öğrenme yöntemleri
Social network analysis based novel visualizable outlier detection, feature selection and supervised learning methods
SERKAN ÜÇER
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA BETÜL ATALAY SATOĞLU
PROF. DR. TANSEL ÖZYER
- Makine öğrenmesi ile metin temelli gömmeye dayalı görüntü steganografi analizi
Image steganography analysis based on text-payload embedding with machine learning
YALÇIN GİRGİN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHA ŞEN
- Predicting the academic success of Turkish middle school students using machine learning methods
Makine öğrenmesi kullanarak Türk ortaokul öğrencilerinin akademik başarısını tahmin etme
CEM DİLBAZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ABUT