| 3 | | Филозофите од секоја ера се двоумеле на важноста на музиката и како начин на изразување на духот и емоциите но и како дисциплина за човечкиот ум. Генерално е признаено дека музиката ни дава пристап до оние региони на потсвеста кои не можат да бидат пристапени на друг начин. – зборови на Sophie Lewis Hutchinson Drinker (1888-1967) – во Музика и Жени, 1948. Музиката била и останува тема на интерес, посебно во областа на вештачката интелигенција. Многумина се обиделе да го решат предизвикот машина како компјутер да произведе креативно дело како музичка мелодија, кое ќе има структура, ќе изразува емоции и ќе биде пријатно на звук. Како дел од македонско народно фолклорно друштво, посебен интерес ми создала македонската народна мелодија, која има специфична музичка структура , е богата со емоции и зборува за историјата на македонскиот народ, а била пренесувана усно. Со цел да се продолжи таа традиција но во тек со денешната технологијата, решив да ја обработам темата за автоматско генерирање на македонска народна мелодија со помош на машинско учење. Тоа ќе биде направено со тренирање на модел на невронски мрежи ,наречени LSTM – long short term memory невронски мрежи, врз база на податоци, кој ќе биде подоцна искористен за предвидување на нова мелодија која ќе звучи и потсетува на македонска народна мелодија. Овој модел би можел да се искористи за изработка на веб апликација за генерирање музички придружни мелодии и е ефикасен затоа што корисниците не мораат да го тренираат моделот, тој ќе биде трениран и како таков искористен од веб апликацијата, што заштедува време и ресурси на корисниците. Моделот е имплементиран во python, со користење на платформата Tensorflow и библиотеки за обработка на музика во python. Трениран е на мало множество податоци во согласност со ресурсите кои ги поседував. Изведувани се повеќемина експерименти за тестирање на резултантната мелдоија, со менување на параметрите на невронските мрежи и бројот на епохи на изведување. На крај е изведен Тјуринг тест на добиените мелодии. |
| | 3 | {{{#!box type=todo |
| | 4 | Не е јасно за првите две реченици дали се цитат, дали се лично мислење. Стои „зборови на“ но не е јасно цитирано кои се зборовите на рефернецираниот автор. |
| | 5 | „признаено“ од кого? |
| | 6 | }}} |
| | 7 | |
| | 8 | Филозофите од секоја ера се двоумеле на важноста на музиката и како начин на изразување на духот и емоциите, но и како дисциплина за човечкиот ум. Генерално е признаено дека музиката ни дава пристап до оние региони на потсвеста кои не можат да бидат пристапени на друг начин. – зборови на Sophie Lewis Hutchinson Drinker (1888-1967) – во Музика и Жени, 1948. |
| | 9 | |
| | 10 | {{{#!box type=todo |
| | 11 | Ако претходното е цитат, тогаш следниов текст треба да се оддели во посебен параграф. Ако не, тогаш може споено, но секако треба правилно да се цитира. |
| | 12 | }}} |
| | 13 | |
| | 14 | Музиката била и останува тема на интерес, посебно во областа на вештачката интелигенција. Многумина се обиделе да го решат предизвикот машина како компјутер да произведе креативно дело како музичка мелодија, кое ќе има структура, ќе изразува емоции и ќе биде пријатно на звук. Како дел од македонско народно фолклорно друштво, посебен интерес ми создала македонската народна мелодија, која има специфична музичка структура, е богата со емоции и зборува за историјата на македонскиот народ, а била пренесувана усно. Со цел да се продолжи таа традиција, но во тек со денешната технологијата, решив да ја обработам темата за автоматско генерирање на македонска народна мелодија со помош на машинско учење. |
| | 15 | |
| | 16 | {{{#!box type=todo |
| | 17 | Не е тука местото за кажување со која точно техника ќе се работи. Треба да е напишано поошто. Потоа, по воведните делови, треба да има дел каде се наведени сите разгледани техники и да има дискусија за нивните разлики и потоа да биде кажано која техника е избрана и зошто токму таа е избрана. |
| | 18 | }}} |
| | 19 | |
| | 20 | Тоа ќе биде направено со тренирање на модел на невронски мрежи ,наречени LSTM – long short term memory невронски мрежи, врз база на податоци, кој ќе биде подоцна искористен за предвидување на нова мелодија која ќе звучи и потсетува на македонска народна мелодија. Овој модел би можел да се искористи за изработка на веб апликација за генерирање музички придружни мелодии и е ефикасен затоа што корисниците не мораат да го тренираат моделот, тој ќе биде трениран и како таков искористен од веб апликацијата, што заштедува време и ресурси на корисниците. Моделот е имплементиран во python, со користење на платформата Tensorflow и библиотеки за обработка на музика во python. Трениран е на мало множество податоци во согласност со ресурсите кои ги поседував. Изведувани се повеќемина експерименти за тестирање на резултантната мелдоија, со менување на параметрите на невронските мрежи и бројот на епохи на изведување. На крај е изведен Тјуринг тест на добиените мелодии. |
| | 21 | |
| | 22 | {{{#!box type=todo |
| | 23 | Генерално во воведов се дуплирани информации од апстрактот, но без значителна додадена вредност. Ако веќе се дуплираат истите информации, треба да има цел за тоа - или да се надоврзат кон нешто или пошироко да се објаснат. Обично второто. |
| | 24 | |
| | 25 | Но, тука овие информации не се предговор на воведните 2.1, 2.2 и 2.3 што следи, туку се неповрзани технолошки информации. Па местото не им е тука. Значи претходниов параграф треба или да се исфрли или да се напише пошироко и поопшто - како за некој што не познава машинско учење, треба да се посвети на целта на машинското учење и што сѐ би можело да помогне. Но повторно и така е прашање дали да остане. |
| | 26 | }}} |
| | 27 | |
