dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Βρυσέλλας, Ευάγγελος | |
dc.date.accessioned | 2024-09-20T07:27:29Z | |
dc.date.available | 2024-09-20T07:27:29Z | |
dc.date.issued | 2024-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16774 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4196 | |
dc.description.abstract | Η παρούσα πτυχιακή εργασία διερευνά την ανάπτυξη και βελτιστοποίηση ενός μοντέλου βασισμένου στο BERT για την αυτόματη ταξινόμηση μουσικών ειδών. Μέσω εκτεταμένης προεπεξεργασίας δεδομένων και προσαρμογής του μοντέλου, αντιμετωπίσαμε τις προκλήσεις που θέτουν τα μη ισορροπημένα σύνολα δεδομένων και οι κοινές λέξεις μεταξύ των ειδών. Οι αρχικές δοκιμές με πέντε είδη απέδωσαν μη ικανοποιητικά αποτελέσματα, οδηγώντας σε προσαρμογές στην επιλογή των ειδών για βελτίωση της απόδοσης του μοντέλου. Οι επακόλουθες πειραματικές διαδικασίες με λιγότερα είδη πέτυχαν σημαντικές βελτιώσεις, με το τελικό μοντέλο να ταξινομεί τρία είδη με εντυπωσιακή ακρίβεια 93%. Η έρευνα αυτή όχι μόνο αναδεικνύει την αποτελεσματικότητα των μοντέλων μετασχηματιστών σε εργασίες ταξινόμησης κειμένου, αλλά παρέχει επίσης χρήσιμες πληροφορίες για τη βελτιστοποίηση των ροών εργασίας μηχανικής μάθησης για πρακτικές εφαρμογές στην ταξινόμηση μουσικών ειδών. | el |
dc.format.extent | 39 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.title | Αυτόματη ταξινόμηση μουσικολογικού είδους με βάση τους στίχους | el |
dc.title.alternative | Lyrics-based music genre classification | el |
dc.type | Bachelor Dissertation | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | This thesis investigates the development and optimization of a BERT-based model for the automatic classification of music genres. Through extensive data preprocessing and model fine-tuning, we addressed the challenges posed by imbalanced datasets and common word overlaps across genres. Initial trials with five genres yielded suboptimal results, leading to adjustments in genre selection to improve model performance. Subsequent experiments with fewer genres achieved notable improvements, with the final model accurately classifying three genres with an impressive 93% accuracy. This research not only highlights the efficacy of transformer models in text classification tasks but also provides insights into optimizing machine learning workflows for practical applications in music genre classification. | el |
dc.subject.keyword | Ταξινόμηση μουσικών ειδών | el |
dc.subject.keyword | Επεξεργασία φυσικής γλώσσας | el |
dc.subject.keyword | NLP | el |
dc.subject.keyword | BERT | el |
dc.subject.keyword | Ταξινόμηση κειμένων | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Μοντέλα μετασχηματιστών | el |
dc.subject.keyword | Προεπεξεργασία δεδομένων | el |
dc.subject.keyword | Βελτιστοποίηση μοντέλου | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.date.defense | 2024 | |