Un modèle pour la représentation et la caractérisation de données
publicité
4ème atelier sur la Fouille de données complexes dans un processus d'extraction des connaissancesv Un modèle pour la représentation et la caractérisation de données musicales Auteurs: M. Naccache, M. Amel Borgi, Pr Khaled Ghédira Stratégies d’Optimisation des Informations et de la connaissancE 23/01/2007 1 Plan • Problématique • Démarche proposée : reconnaissance de formes • Représentation des données musicales • Mise en œuvre de l’apprentissage artificiel • Mode expérimental • Conclusion 23/01/2007 Fouille de données complexes 2 Problématique : caractérisation des données musicales Objectif : découverte automatique des facteurs qui font que l’être humain arrive à se faire une certaine idée d’une mélodie donnée et la classer avec d’autres (méta-données, CAO, analyse…) expertise humaine : seule connaissance a priori. Pas de prise en considération (représentation/algo) du critère de classification Îles exemples : contiennent les connaissances qu’il faudra exploiter Î les exemples étiquetés reflètent une certaine expérience d’écoute 23/01/2007 Fouille de données complexes 3 Problématique modèle proposé : un cadre générique pour la classification des données musicales dans un processus de reconnaissance de formes représentation des données : description exhaustive, minimiser la perte d’informations (caractéristiques retenues, manière de les structurer) apprentissage artificiel : utilisation des algorithmes usuels 23/01/2007 Fouille de données complexes 4 Reconnaissance de formes pistes mélodiques χ espace de représentation R espace de mesure (exemples classés par l’expert) représentation pré-traitement ensemble des classes φ construite par un algorithme d’AA espace de décision fichiers Midi 23/01/2007 Fouille de données complexes 5 Représentation des données musicales : les données une observation = séquence musicale, suite d’évènements hauteur début durée 23/01/2007 Fouille de données complexes 6 Représentation des données musicales : structure littérature : - attributs MIDI (instruments, métronome …) - description à l’aide d’estimateurs statistiques - information sous forme de distributions - représentations liées aux algorithmes (chaînes de markov, dictionnaires de motifs, grammaires…) Îreprésentation sous forme d’histogrammes: - vue générale sur les séquences - la perception auditive est sensible à la distribution des notes - conservation des objets musicaux ( moins de perte ) ?? Difficulté liée à l’espace de représentation ?? 23/01/2007 Fouille de données complexes 7 Représentation des données musicales : caractéristiques hauteurs de notes intervalles de hauteurs entre les notes consécutives direction mélodique durées des notes durées des silences significatifs durées séparant les onsets … 23/01/2007 Fouille de données complexes 8 Représentation des données musicales : exemple attribut : hauteurs des notes 4 3 1 do do# ré ré# mi fa fa# sol sol# la la# si attribut : Intervalles de hauteurs entre les notes consécutives 7 5 3 2 1 0 1 2 3 4 5 6 7 8 9 10 11 12 Intervalles en demi tons 23/01/2007 Fouille de données complexes 9 Mise en œuvre de l’Apprentissage Artificiel les algorithmes d’apprentissage usuels opèrent sur des attributs numériques ou symboliques. la représentation en histogrammes pose alors problème domaines des attributs ?? solution proposée : faire émerger les domaines des attributs à partir des données d’apprentissage Î partitionner l’espace de représentation de chaque attribut. Ainsi chaque cluster devient une modalité 23/01/2007 Fouille de données complexes 10 Mise en œuvre de l’AA : domaines des attributs clustering (E-M) G3i G1i T valeurs de Di présentes dans l’ensemble d’apprentissage 23/01/2007 G4i G2i D’i Fouille de données complexes 11 Mise en œuvre de l’AA : domaines des attributs pistes mélodiques χ espace de mesure (exemples classés par l’expert) espace de représentation R T pré-traitement ensemble des classes fichiers Midi 23/01/2007 φ construite par un algorithme d’AA Nouvel espace de représentation R’ Fouille de données complexes 12 Mode expérimental trois classifieurs avec des critères indépendants - genre musical (classique/jazz) - contenu émotionnel (triste/joyeux) - style de composition constitution de trois corpus supervisés distincts évaluation à l’aide de l’expertise humaine 23/01/2007 Fouille de données complexes 13 Conclusion problématique Î caractérisation des données musicales représentation des données: - structure en histogrammes - identification des propriétés mélodiques problème lié à la complexité des données ainsi représentées Î transformation de l’espace de représentation (clustering) perspective immédiate : implémentation et validation 23/01/2007 Fouille de données complexes 14 Merci 23/01/2007 Fouille de données complexes 15
