機器藝術的探索——音樂（一） 調研資料的收集
如想讓數字演算法懂得如何面對音樂這個人類藝術的造物，需要先讓他懂得如何聽音樂、儲存音樂資訊、唱（演奏）出音樂、懂音樂、創造音樂。對於唱與演奏音樂，因為數字演算法的特殊性，顯得比人類更容易掌握它。
這裡將集中對於如何聽音樂與儲存音樂進行探索。人類對於世界的深刻理解，是在腦中為看到的與聽到的，具體的、抽象的事物進行打標籤與關聯，即用語言來描述看到的與聽到的事物，並形成抽象體系。所以，我們對音樂的探索，也始於對如何聽見音樂並轉化為基於CPU的二進位制機器可以理解的形式的探索。
下面是我查詢到的現有的機器輔助音樂創作、提取（Music Retrieval）、演奏的技術、工具或比賽。
提取音樂工具
1.Riffstation
主要特色在於可以精準提取音樂和絃
2. Adobe Audition
3. WIDI
樂譜資料庫
比賽
MIREX比賽
相關推薦
機器藝術的探索——音樂（一） 調研資料的收集
如想讓數字演算法懂得如何面對音樂這個人類藝術的造物，需要先讓他懂得如何聽音樂、儲存音樂資訊、唱（演奏）出音樂、懂音樂、創造音樂。對於唱與演奏音樂，因為數字演算法的特殊性，顯得比人類更容易掌握它。 這裡將集中對於如何聽音樂與儲存音樂進行探索。人類對於世界的深刻理解，是在腦
Android開發藝術探索筆記（一） Activity的生命週期和啟動模式(1)
Activity作為Android開發中最常用的一個元件，是Android開發人員必須熟悉且掌握的重要內容。同時Activity也是在面試中經常被問到的一個方向。因此，掌握Activity的重要性也不言而喻。這或許也是為什麼任大神會在《Android開發藝術探索
中國mooc北京理工大學機器學習第一周（一）
lib odi pen 運行 numpy 聚類 準則 ++ mooc 從今天開始跟著北理工的老師走一遍sklearn，在這裏做筆記。 一、聚類 1、K-Means方法 先貼代碼，所有數據的下載地址：http://pan.baidu.com/s/1hrO5NW4
中國mooc北京理工大學機器學習第二周（一）：分類
kmeans 方法 輸入 nump arr mod 理工大學 each orm 一、K近鄰方法（KNeighborsClassifier） 使用方法同kmeans方法，先構造分類器，再進行擬合。區別是Kmeans聚類是無監督學習，KNN是監督學習，因此需要劃分出訓練集和測試
構建之法--探索篇（一）
構建 編寫 裏的 set namespace 對象 之前 定義 時也 問題一： 在Cust中無法找到telephone的get方法，這裏是因為我之前沒有telephone的成員變量，加上之後有沒有寫telephone的get方法； 解決方案：只要在Cust這個類裏面，加上
機器學習入門點滴（一）（待補充完整）
arr intro 統計 int ica nts 機器學習算法 .com 場景 Step1-知識準備： 1. 數學：線性代數，概率論和統計，高數 2. 程序語言：Matlab R 或 Python（只用於學習入門，不是實現的最佳語言） 3. 推薦書籍：選擇一到兩本公式較少、
《Python 機器學習》筆記（一）
環境 成功 設定 相關 reward 能力 學習 一定的 env 賦予計算機學習數據的能力涵蓋：1.機器學習的一般概念2.機器學習方法的三種類型和基本術語3.成功構建機器學習系統所需的模塊機器學習的三種不同方法1.監督學習2.無監督學習3.強化學習通過監督學習對未來事件進行
機器學習實戰教程（一）：線性回歸基礎篇（上）
學習 reg style spa 目標 pub auto 機器 輸入 一 什麽是回歸？ 回歸的目的是預測數值型的目標值，最直接的辦法是依據輸入，寫入一個目標值的計算公式。 假如你想預測小姐姐男友汽車的功率，可能會這麽計算： Ho
【java並發編程藝術學習】（一）初衷、感想與筆記目錄
家庭 需求 ring 薪資 問題 發現 開發 nbsp 編程 不忘初心，方得始終。 學習java編程這麽長時間，自認為在項目功能需求開發中沒啥問題，但是之前的幾次面試和跟一些勤奮的或者小牛、大牛級別的人的接觸中，才發現自己的無知與淺薄。 學習總得有個方向吧，現階段就想把並發
吳恩達老師機器學習筆記SVM（一）
時隔好久沒有再拾起機器學習了，今日抽空接著學 今天是從最簡單的二維資料分類開始學習SVM~ （上圖為原始資料） SVM的代價函式 這裡套用以前logistic迴歸的模板改一下下。。 load('ex6data1.mat'); theta=rand(3,1); [
機器學習基礎概念（一）
“無監督學習”是指人們在獲得訓練的向量資料後在沒有標籤的情況下嘗試找出其內部蘊含關係的一種挖 掘工作，這個過程中使用者除了可能要設定一些必要的超引數（ hyper-parameter）以外，不 用對這些樣本做任何的標記甚至是過程干預； “有監督學習”與此不同，每一個樣本都有著 明確的標籤，最
系統學習機器學習之總結（一）--常見分類演算法優缺點
主要是參考網上各種資源，做了整理。其實，這裡更多的是從基礎版本對比，真正使用的時候，看資料，看改進後的演算法。 1. 五大流派 ①符號主義：使用符號、規則和邏輯來表徵知識和進行邏輯推理，最喜歡的演算法是：規則和決策樹 ②貝葉斯派：獲取發生的可能性來進行概率推理，最喜歡的演算法是：樸素貝葉
探索 SpringBoot （一） 自動裝配
探索 SpringBoot （一） 自動裝配 文章目錄 探索 SpringBoot （一） 自動裝配 1 緣起 2 SpringBoot 自動裝配 & Spring 手動裝配 2.1 @Configuratio
跨平臺機器學習實踐小結（一）
一、問題來源： 如何在node web服務下呼叫sklearn的模型結果來進行實時模型預測？ 二、問題分析： 1、sklearn的模型結果有幾種儲存方式： （1）pickle.dumps ，結果通過變數儲存在記憶體中 附上pickle文件：https://docs.pytho
《深入理解java虛擬機器》讀書筆記（一）---- 類載入機制
類載入的時機 1、類從虛擬機器載入到記憶體開始，到卸載出記憶體為止，整個生命週期分為七個階段：載入、驗證、準備、解析、初始化、使用和解除安裝。其中驗證、準備和解析統稱為連線階段。 2、載入、驗證、準備、初始化和解除安裝這五個階段是按順序執行的，而解析階段卻不一定，解析可以在初始化之後
《自己動手寫java虛擬機器》學習筆記（一）-----命令列工具（go）
專案地址：https://github.com/gongxianshengjiadexiaohuihui 在今年三月份的時候，看過這本書，但是可能知識儲備不足，許多東西都一知半解，導致看到一半就看不下去了，現在覺得自己進步挺大的，決定重新拾起這本書，並且把
機器學習速成筆記（一）： 主要術語
機器學習研究如何通過計算的方式，利用資料集來改善系統自身的效能。 而深度學習是屬於機器學習的一個子分支。 機器學習的通用的兩種型別： 無監督學習：事先並沒有任務訓練資料的樣本，需要直接對資料進行建模型。 監督學習：通過已經有的訓練樣本（即輸入資訊和對應的輸出）來訓練，得到一個
機器學習實戰筆記（一）- 使用SciKit-Learn做回歸分析
err 皮爾遜 練習 using flow 相關 一個數 ocean 針對 一、簡介 這次學習的書籍主要是Hands-on Machine Learning with Scikit-Learn and TensorFlow（豆瓣：https://book.douban.co
機器學習：SVM（一）——線性可分支援向量機原理與公式推導
原理 SVM基本模型是定義在特徵空間上的二分類線性分類器（可推廣為多分類），學習策略為間隔最大化，可形式化為一個求解凸二次規劃問題，也等價於正則化的合頁損失函式的最小化問題。求解演算法為序列最小最優化演算法（SMO） 當資料集線性可分時，通過硬間隔最大化，學習一個線性分類器；資料集近似線性可分時，即存在一小
《機器學習實戰》（一）knn演算法
K最近鄰（k-Nearest Neighbor，KNN）分類演算法可以說是最簡單的機器學習演算法了。它採用測量不同特徵值之間的距離方法進行分類。它的思想很簡單：存在一個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每一個數據與所屬分類的對應關係。輸入沒有標