Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo

Detalhes bibliográficos
Autor(a) principal: Lemos, Julio Cesar de, 1965-
Data de Publicação: 2019
Outros Autores: Santos, Marcelo Carlos Benitez dos, 1984-, Vilela, Plínio Roberto Souza, 1970-
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório da Produção Científica e Intelectual da Unicamp
Texto Completo: https://hdl.handle.net/20.500.12733/1657662
Resumo: Resumo: Descobrir o gosto musical de uma pessoa tem aplicação óbvia nos mecanismos de recomendação de provedores deserviços de música. Estamos interessados em uma aplicação menos óbvia, relacionada ao ambiente de trabalho deum desenvolvedor de software. Neste trabalho, comparamos dois classi cadores usados na mineração de dados. OSupportVectorMachine(SVM) e ok-NearestNeighbor(k-NN) são avaliados como preditores do gosto musical deum usuário. Utilizamos um banco de dados de músicas classi cadas previamente com um rótulo indicando seo usuário gosta ou não de cada música. O banco de dados inclui características das músicas; cada classi cadorusa as mesmas combinações de características no processo de aprendizado e depois classi ca novas instânciasde músicas de acordo com o gosto previsto para o usuário. Este estudo inicial indicou o SVM como um melhorpreditor do que o k-NN. Investigações futuras pretendem avaliar o usuário em um ambiente síncrono; nossahipótese é que seja possível entender mais do que o cenário de gostar / não gostar e expandir para o que o usuáriodeseja ouvir em um determinado momento, capturando seu humor. Eventualmente, correlacionando o humor deum desenvolvedor de software com a propensão a falhas do código escrito
id CAMP_ba4b6de773c4386b70a3c5f4e7c9acbf
oai_identifier_str oai:https://www.repositorio.unicamp.br/:1201588
network_acronym_str CAMP
network_name_str Repositório da Produção Científica e Intelectual da Unicamp
repository_id_str
spelling Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduoApplying machine learning to identify musical tasteAprendizado de máquinaMachine learningSupport vector machinesK-nearest neighborArtigo originalMáquina de vetores de suporteMétodo K-vizinho mais próximoResumo: Descobrir o gosto musical de uma pessoa tem aplicação óbvia nos mecanismos de recomendação de provedores deserviços de música. Estamos interessados em uma aplicação menos óbvia, relacionada ao ambiente de trabalho deum desenvolvedor de software. Neste trabalho, comparamos dois classi cadores usados na mineração de dados. OSupportVectorMachine(SVM) e ok-NearestNeighbor(k-NN) são avaliados como preditores do gosto musical deum usuário. Utilizamos um banco de dados de músicas classi cadas previamente com um rótulo indicando seo usuário gosta ou não de cada música. O banco de dados inclui características das músicas; cada classi cadorusa as mesmas combinações de características no processo de aprendizado e depois classi ca novas instânciasde músicas de acordo com o gosto previsto para o usuário. Este estudo inicial indicou o SVM como um melhorpreditor do que o k-NN. Investigações futuras pretendem avaliar o usuário em um ambiente síncrono; nossahipótese é que seja possível entender mais do que o cenário de gostar / não gostar e expandir para o que o usuáriodeseja ouvir em um determinado momento, capturando seu humor. Eventualmente, correlacionando o humor deum desenvolvedor de software com a propensão a falhas do código escritoAbstract: Discovering the musical taste of a person has an obvious application in recommendation mechanisms used by music service providers. We are interested in a less obvious application, related to the work environment of a software developer. In this work we compare two algorithms used in data mining as classifiers. The goal is to compare Support Vector Machine (SVM) and k-Nearest Neighbor (k-NN) as predictors of the musical taste of a user. We use a database of songs previously classified with a label indicating whether the user likes or dislikes each song. The database includes features of the song; each classifier uses the same combinations of features in the learning process and then classifies new instances of songs according to the user's predicted taste. This initial study indicated SVM as a better predictor than k-NN for this particular context. Future investigations intend to evaluate the user in a synchronous environment, our hypothesis is that it might be possible to understand more than the like / dislike scenario and expand to what the user wants to hear at a particular moment, capturing her mood. Eventually correlate the mood of a software developer to the fault proneness of the code she has writtenAbertoUNIVERSIDADE ESTADUAL DE CAMPINASLemos, Julio Cesar de, 1965-Santos, Marcelo Carlos Benitez dos, 1984-Vilela, Plínio Roberto Souza, 1970-2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttps://hdl.handle.net/20.500.12733/1657662LEMOS, Julio Cesar de; SANTOS, Marcelo Carlos Benitez dos; VILELA, Plínio Roberto Souza. Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo. Revista brasileira de computação aplicada. Passo Fundo, RS. v. 11, n. 3, p. 88-98, nov. 2019. Disponível em: https://hdl.handle.net/20.500.12733/1657662. Acesso em: 7 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/1201588porreponame:Repositório da Produção Científica e Intelectual da Unicampinstname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-08-03T16:05:44Zoai:https://www.repositorio.unicamp.br/:1201588Repositório InstitucionalPUBhttp://repositorio.unicamp.br/oai/requestreposip@unicamp.bropendoar:2023-08-03T16:05:44Repositório da Produção Científica e Intelectual da Unicamp - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
Applying machine learning to identify musical taste
title Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
spellingShingle Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
Lemos, Julio Cesar de, 1965-
Aprendizado de máquina
Machine learning
Support vector machines
K-nearest neighbor
Artigo original
Máquina de vetores de suporte
Método K-vizinho mais próximo
title_short Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
title_full Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
title_fullStr Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
title_full_unstemmed Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
title_sort Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
author Lemos, Julio Cesar de, 1965-
author_facet Lemos, Julio Cesar de, 1965-
Santos, Marcelo Carlos Benitez dos, 1984-
Vilela, Plínio Roberto Souza, 1970-
author_role author
author2 Santos, Marcelo Carlos Benitez dos, 1984-
Vilela, Plínio Roberto Souza, 1970-
author2_role author
author
dc.contributor.none.fl_str_mv UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Lemos, Julio Cesar de, 1965-
Santos, Marcelo Carlos Benitez dos, 1984-
Vilela, Plínio Roberto Souza, 1970-
dc.subject.por.fl_str_mv Aprendizado de máquina
Machine learning
Support vector machines
K-nearest neighbor
Artigo original
Máquina de vetores de suporte
Método K-vizinho mais próximo
topic Aprendizado de máquina
Machine learning
Support vector machines
K-nearest neighbor
Artigo original
Máquina de vetores de suporte
Método K-vizinho mais próximo
description Resumo: Descobrir o gosto musical de uma pessoa tem aplicação óbvia nos mecanismos de recomendação de provedores deserviços de música. Estamos interessados em uma aplicação menos óbvia, relacionada ao ambiente de trabalho deum desenvolvedor de software. Neste trabalho, comparamos dois classi cadores usados na mineração de dados. OSupportVectorMachine(SVM) e ok-NearestNeighbor(k-NN) são avaliados como preditores do gosto musical deum usuário. Utilizamos um banco de dados de músicas classi cadas previamente com um rótulo indicando seo usuário gosta ou não de cada música. O banco de dados inclui características das músicas; cada classi cadorusa as mesmas combinações de características no processo de aprendizado e depois classi ca novas instânciasde músicas de acordo com o gosto previsto para o usuário. Este estudo inicial indicou o SVM como um melhorpreditor do que o k-NN. Investigações futuras pretendem avaliar o usuário em um ambiente síncrono; nossahipótese é que seja possível entender mais do que o cenário de gostar / não gostar e expandir para o que o usuáriodeseja ouvir em um determinado momento, capturando seu humor. Eventualmente, correlacionando o humor deum desenvolvedor de software com a propensão a falhas do código escrito
publishDate 2019
dc.date.none.fl_str_mv 2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1657662
LEMOS, Julio Cesar de; SANTOS, Marcelo Carlos Benitez dos; VILELA, Plínio Roberto Souza. Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo. Revista brasileira de computação aplicada. Passo Fundo, RS. v. 11, n. 3, p. 88-98, nov. 2019. Disponível em: https://hdl.handle.net/20.500.12733/1657662. Acesso em: 7 mai. 2024.
url https://hdl.handle.net/20.500.12733/1657662
identifier_str_mv LEMOS, Julio Cesar de; SANTOS, Marcelo Carlos Benitez dos; VILELA, Plínio Roberto Souza. Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo. Revista brasileira de computação aplicada. Passo Fundo, RS. v. 11, n. 3, p. 88-98, nov. 2019. Disponível em: https://hdl.handle.net/20.500.12733/1657662. Acesso em: 7 mai. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1201588
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório da Produção Científica e Intelectual da Unicamp
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Repositório da Produção Científica e Intelectual da Unicamp
collection Repositório da Produção Científica e Intelectual da Unicamp
repository.name.fl_str_mv Repositório da Produção Científica e Intelectual da Unicamp - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv reposip@unicamp.br
_version_ 1799030823343620096

Registros relacionados