Con la diffusione dei servizi di streaming musicale, ਠpossibile accedere facilmente a milioni di brani e questo ha cambiato il modo in cui le persone cercano, pagano e vivono la musica. Molti studi sono stati condotti in questo campo, in particolare su come sia possibile utilizzare modelli di Intelligenza Artificiale per la generazione automatica di playlist musicali. In questo documento, si cerca di capire se sia possibile sfruttare o meno algoritmi di machine learning per l'ordinamento di tracce musicali che basano il loro funzionamento su reti neurali. Per individuare possibili modelli di ordine che vengono adottati nella generazione di playlist musicali, viene analizzato un dataset basato sulle API di Spotify. Questo dataset viene analizzato ed elaborato da un algoritmo che basa il suo funzionamento su reti neurali ricorrenti.

A.I. Dj: progettazione di un algoritmo basato su reti neurali per creare playlist musicali di successo

2020

Abstract

Con la diffusione dei servizi di streaming musicale, ਠpossibile accedere facilmente a milioni di brani e questo ha cambiato il modo in cui le persone cercano, pagano e vivono la musica. Molti studi sono stati condotti in questo campo, in particolare su come sia possibile utilizzare modelli di Intelligenza Artificiale per la generazione automatica di playlist musicali. In questo documento, si cerca di capire se sia possibile sfruttare o meno algoritmi di machine learning per l'ordinamento di tracce musicali che basano il loro funzionamento su reti neurali. Per individuare possibili modelli di ordine che vengono adottati nella generazione di playlist musicali, viene analizzato un dataset basato sulle API di Spotify. Questo dataset viene analizzato ed elaborato da un algoritmo che basa il suo funzionamento su reti neurali ricorrenti.
2020
it
Dipartimento di Comunicazione ed Economia
Università degli Studi di Modena e Reggio Emilia
File in questo prodotto:
File Dimensione Formato  
Tesi_Finale.pdf

accesso solo da BNCF e BNCR

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati
Dimensione 2.49 MB
Formato Adobe PDF
2.49 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/296653
Il codice NBN di questa tesi è URN:NBN:IT:UNIMORE-296653