Die Musikinformatik befasst sich mit der rechnergestützten Verarbeitung und Analyse von Musikdaten, d.h. Audiosignalen, Frequenzbildern, digitalen Partituren, MIDI-Daten, uvm. In diesem Fachprojekt werden Methoden des Forschungsfelds Music Information Retrieval (MIR) besprochen und praktisch angewendet. MIR zielt auf die automatisierte Informationsgewinnung (z.B. Akkordbestimmung, Temposchätzung, Instrumentenerkennung) und die Klassifikation (z.B. Interpretenerkennung, Gerneklassifikation, Cover song detection) von Musikstücken ab.

Im ersten Teil des Projekts sollen robuste Klassifikationsmodelle mithilfe von überwachten Lernverfahren der künstlichen Intelligenz (u.a. Entscheidungsbäume, Random Forest, neuronale Netze) auf vorgegebenen Datensätzen trainiert werden. Die objektive Evaluation der erzeugten Modelle (z.B. durch Signifikanztests) stellt dabei eine besondere Herausforderung dar.

Im zweiten Teil des Projekts soll eine selbstgewählte Aufgabenstellung erarbeitet und selbständig gelöst werden. Diese kann sich an klassischen MIR-Aufgaben orientieren (z.B. automatische Transkription) oder solche kombinieren und erweitern (z.B. individuelles Empfehlungssystem oder auch digitale Audioeffekte). Alternativ kann hier auch die kreative Erzeugung von Musikdaten (z.B. automatische Komposition von Musikstücken mit einem heuristischen Regelsystem oder Erzeugung von Audiosamples mit generativen neuronalen Netzen) in den Mittelpunkt gerückt werden.

• Grundsätzlich ist keine Musikvorerfahrung (wie Notenlesefähigkeiten oder Beherrschung eines Instruments) erforderlich.

• Kenntnisse der Inhalte aus dem Modul DAP1 werden vorausgesetzt. Gute algorithmische Fähigkeiten und die Kompetenz an komplexeren Softwareprojekten zu arbeiten (vgl. SWK und SoPra) sind empfehlenswert.

• Die Erarbeitung der Projekte erfolgt in 2er-Teams. Der Wille zu einer strukturierten und engagierten Arbeit in der Gruppe ist demnach grundlegend für eine erfolgreiche Teilnahme.

• Wir arbeiten hauptsächlich mit der Programmiersprache Python, sowie in Teilen auch mit Java-Anwendungen.

• Dienstags, 12:15 - 15:45 Uhr

• Otto-Hahn-Straße 14, Raum 204 (CI-Labor am Lehrstuhl 11)

KW = Kalenderwoche, VW = Veranstaltungswoche

• Proceedings of the ISMIR conference (International Society of Music Information Retrieval)

• Website der Dortmunder SIGMA-Gruppe (Special Interest Group on Music Data Analysis)

• Textbuch zur Ringvorlesung Musikdatenanalyse: Music data analysis (2017)

• Proceedings of the AI music creativity conference

Hinweis: Alle Bücher dieser Liste können als PDF-Version über die Universitätsbibliothek aus dem Intranet (oder über VPN) der TU Dortmund heruntergeladen werden.