Yapay Öğrenme Teknolojileri ile Türk Halk Müziği Makamları Otomatik Tanımlanıyor
Yayın Tarihi | 02 March 2024, Saturday
Türk Halk Müziği'nin temel bileşenlerinden biri olan makam kavramını açıklamak ve farklı makamları otomatik olarak tanımlamak için nasıl kullanılabileceğini araştırmaktır. Bu araştırma, özellikle Türk halk ezgilerine odaklanarak, bu alanda özgün bir derleme oluşturmayı hedeflemektedir.
Bu çalışmanın temel amacı, son yıllarda teknoloji dünyasında büyük etki yaratan yapay öğrenme teknolojilerinin, Türk Halk Müziği'nin temel bileşenlerinden biri olan makam kavramını açıklamak ve farklı makamları otomatik olarak tanımlamak için nasıl kullanılabileceğini araştırmaktır. Bu araştırma, özellikle Türk halk ezgilerine odaklanarak, bu alanda özgün bir derleme oluşturmayı hedeflemektedir. Ayrıca, teknoloji tabanlı karar destek sistemlerinin geliştirilmesi ve bunların eğitim materyallerinin temelini oluşturması da bu çalışmanın önemli bir yönünü teşkil etmektedir. Bu çalışma aynı zamanda Türk Halk Müziği ve yapay zeka tekniklerinin bir araya geldiği sınırlı sayıdaki çalışmalardan biri olarak öne çıkmaktadır.
Araştırma kapsamında, farklı makine öğrenme modelleri kullanılarak bir veri seti üzerinde makam sınıflandırmaları gerçekleştirildi. Ayrıca, bu çalışma için oluşturulan ve kamuya açık olarak paylaşılacak olan Türk Halk Müziği derlemesi, diğer bilimsel araştırmalara ışık tutma amacıyla bu çalışmada test edildi. Bu şekilde, ilgili modellerin makam tanıma üzerindeki etkisi değerlendirildi. Hazırlanan derlemin aynı zamanda gelecekte yapılacak araştırmalar için önemli bir kaynak oluşturduğu belirtildi.
Araştırma, sekiz farklı makine öğrenme yöntemini (Light Gradient Boosting Machine, eXtreme Gradient Boosting, Naive Bayes, Decision Trees, Support Vector Machines, K-Nearest Neighbor, Random Forest ve Logistic Regression) içermekte olup, her bir yöntem için veri arttırımı olmadan gerçekleştirilen sınıflandırmaların yanı sıra, toplamda 40 farklı sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işlemlerinin sonuçları, doğruluk, kesinlik, duyarlılık ve F1 skoru olmak üzere dört farklı parametre ile raporlanmış ve toplamda 160 farklı ölçüm elde edilmiştir. En yüksek doğruluk değeri, %99.17'lik başarı oranıyla, SMOTE veri arttırım tekniği kullanılarak Light Gradient Boosting Machine sınıflandırıcısıyla elde edilmiştir. Araştırma sonuçları, benzer çalışmalara kıyasla daha yüksek performans elde edildiğini göstermektedir.
Gelecekteki araştırmalarda, makam tanıma algoritmalarının genel performansını artırmak için mevcut veri setinin daha kapsamlı hale getirilmesi ve çeşitlendirilmesi önerilmektedir. Aynı zamanda, veri setindeki özelliklerin etkisini daha ayrıntılı bir şekilde incelemek, daha iyi sonuçlar elde etme potansiyelini artırabilir. Bu bağlamda, farklı makine öğrenme algoritmalarının deneylerle değerlendirilmesi büyük önem taşımaktadır. En iyi performansı elde etmek amacıyla model seçimi ve hiperparametre optimizasyonunun daha geniş bir perspektifte ele alınması gerekmektedir.
Diğer Haberler
