Iniciação Científica e Tecnológica
URI permanente desta comunidadehttps://repositorio.insper.edu.br/handle/11224/3250
Navegar
2 resultados
Resultados da Pesquisa
Relatório de Iniciação Científica Construção de modelo de geração de música com Deep Learning(2022) Eller, Vinicius GrandoUm desafio que compositores enfrentam em suas carreiras, é o processo criativo para iniciar uma obra. Por meio de aprendizado profundo, este projeto tem como objetivo construir um modelo que seja capaz de gerar músicas, a partir de uma base de dados composta por um ritmo específico, possibilitando uma solução para o problema dos compositores. Com este propósito, o trabalho apresenta o necessário sobre teoria musical, para o fácil entendimento dos possíveis formatos de armazenamento e representação de arquivos digitais de áudio, o que resulta no uso do formato MIDI e sua conversão para a representação piano roll, que é facilmente vetorizada. O estudo tem sua fundação em duas bases de dados de estilos diferentes, uma composta por músicas do videogame gameboy, enquanto a outra base de dados é integralmente de músicas clássicas de um único compositor, Johann Sebastian Bach. Como existem diversos modelos que podem gerar música e o objetivo não é realizar um resumo, a análise será feita utilizando apenas duas classes diferentes de autoencoders: stacked e variational, além de desenvolver um modelo baseado em redes convolucionais. O encerramento do estudo comprova que é possível gerar musicais que respeitam a teoria musical, também sendo agradáveis ao ouvido humano. Sendo assim, a tecnologia pode ser futuramente utilizada para inovar o ramo musical, por meio da criação de novas obras ou pela quebra de momentos de dificuldade no processo criativo de um compositor.Relatório de Iniciação Científica Estudo comparativo de modelos de otimização de agentes autônomos baseados em aprendizado por reforço(2022) Rocha, João Gabriel ValentimO estudo comparativo de modelos de optimização de agente autônomos tem influência direta nas circunstâncias tecnológicas atuais. O crescimento exponencial do número de aplicações da área de Reinforcement Learning tem trazido a necessidade de estudos comparativos, haja vista a importância de selecionar e utilizar algoritmos cada vez mais atuais, mais rápidos e mais eficientes para aquela tarefa. Logo, nosso objetivo é trazer um estudo detalhado a respeito do desempenho, sob as métricas adequadas, que os principais algoritmos de optimização de agentes autônomos têm e compará-los. Nesse sentido, utilizamos um ambiente de simulação para entender cada algoritmo na essência enquanto fazemos cada estudo comparativo. Sob essa perspectiva, é de suma importância tomar como base os estudos mais recentes de algoritmos de optimização que são utilizados hoje. A utilização das métricas para avaliar um algoritmo vai variar de algoritmo para algoritmo, caberá a nós escolher e utilizar as mais adequadas para aquele tipo de processo de aprendizagem do agente. Além disso, alguns métodos podem ser inseridos junto ao algoritmo, com o intuito de melhorar a performance da aprendizagem do agente. Nesse sentido, utilizamos os métodos de Curriculum Learning e Transfer Learning, que consiste na ideia de transferência de aprendizado por meio de um curriculum. Em outras palavras, é possível que um agente possa aprender a realizar uma tarefa complexa pela secção dessa tarefa em tarefas menores que podem transferir o aprendizado de uma tarefa (menos complexa) para a próxima (mais complexa). Dessa forma, é possível que a curva de aprendizagem (ou a de recompensa acumulativa) venha a convergir em um tempo menor e com menos esforço. O processo de estabelecer um comparativo entre modelos de algoritmos de optimização de agente autônomos é, portanto, crucial para o embasamento necessário que permite que o número de aplicações e solução de problemas cresçam cada vez mais, sobretudo, aquelas que envolvem as técnicas de Reinforcement Learning.