Muziek d.m.v. Data sonificatie

roland kuit schreef:
Jij bent vooringenomen en uit de hoogte, want het moet allemaal volgens jouw regels/meetlat. "mijn" definitie. Een vastzittend patroon waarmee je vanaf de eerste post liet zien.
Zie meer...
Ik gebruik de "aanhalingstekens" bij "mijn" niet zonder reden. Ik hanteer een algemeen geldende definitie. Niet een die ik bedacht heb. Ik gebruik de aanhalingstekens om daarmee het verschil tussen jouw en mijn zienswijze aan te tonen. Jij bedoelt "spectral mining" toch?

Als dat vooringenomen en arrogant is, begrijp ik niet waarom je de Buchla niet Harp noemt.
roland kuit schreef:
Je noemt iets zelfs misbruik. Dan kan het synthforum wel opdoeken omdat de basis van vele synthesizers hier voortkomt uit meet apparatuur. Help ze maken er nu muziek mee!
Sorrie dat ik nu iets in het Engels plaats, maar er is wel een heel speelveld van toepassingen in Datamining:
Zie meer...
Misbruik. Ik heb even terug gelezen. Ik zie dat woord nergens staan.

Mocht je doelen op het "voorbeeld" van de flesopener. Daarmee doelde ik op "hacken" in de betekenis van "creatief omgaan met technologie" (wat overigens geen "cracken" is.) En "hacken" is niet hetzelfde als "datamining".
 
niet quoten zonder bronvermelding: 16 Data Mining Techniques: The Complete List - Talend
roland kuit schreef:
Jij bent vooringenomen en uit de hoogte, want het moet allemaal volgens jouw regels/meetlat. "mijn" definitie. Een vastzittend patroon waarmee je vanaf de eerste post liet zien.

Je noemt iets zelfs misbruik. Dan kan het synthforum wel opdoeken omdat de basis van vele synthesizers hier voortkomt uit meet apparatuur. Help ze maken er nu muziek mee!
Sorrie dat ik nu iets in het Engels plaats, maar er is wel een heel speelveld van toepassingen in Datamining:

16 Data Mining Techniques: The Complete List
#1. Data cleaning and preparation. Data cleaning and preparation is a vital part of the data mining process. ...
2. Tracking patterns. Tracking patterns is a fundamental data mining technique. It involves identifying and monitoring trends or patterns in data to make intelligent inferences about business outcomes.
3. Classification. Classification data mining techniques involve analyzing the various attributes associated with different types of data.
4. Association. Association is a data mining technique related to statistics. It indicates that certain data (or events found in data) are linked to other data or data-driven events.
5. Outlier detection. Outlier detection determines any anomalies in datasets. Once organizations find aberrations in their data, it becomes easier to understand why these anomalies happen and prepare for any ...
6. Clustering. Clustering is an analytics technique that relies on visual approaches to understanding data. ...
7. Regression. Regression techniques are useful for identifying the nature of the relationship between variables in a dataset.
8. Prediction. Prediction is a very powerful aspect of data mining that represents one of four branches of analytics.
9. Sequential patterns. This data mining technique focuses on uncovering a series of events that takes place in sequence. It’s particularly useful for data mining transactional data. 10. Decision trees. Decision trees are a specific type of predictive model that lets organizations effectively mine data.
11. Statistical techniques. Statistical techniques are at the core of most analytics involved in the data mining process. ...
12. Visualization. Data visualizations are another important element of data mining. They grant users insight into data based on sensory perceptions that people can see.
13. Neural networks. A neural network is a specific type of machine learning model that is often used with AI and deep learning. 14. Data warehousing. Data warehousing is an important part of the data mining process. ...
15. Long-term memory processing. Long term memory processing refers to the ability to analyze data over extended periods of time. ...
16. Machine learning and artificial intelligence. Machine learning and artificial intelligence (AI) represent some of the most advanced developments in data mining.
Zie meer...
 
@roland kuit Wanneer je aan wetenschap wil doen, is het niet misplaatst om een heldere inleiding, situering, context, theoretisch/conceptueel kader, probleemstelling en onderzoeksvraag te definiëren. Dat kost even veel tijd & energie dan 3 pagina's ambiguïteit.
 
Bericht door een moderator:
Het staat TS vrij om zijn eigen thread naar eigen inzicht op te bouwen. TS heeft aangegeven een aanloopje te nemen. Ik stel voor die aanloop even af te wachten. Inhoudelijke reacties worden gestimuleerd ;).
 
Wat een suspense… :peukie:

Begrijp ik het goed dat we de volgende inhoudelijke aanloop maakten?

Geluid is informatie en door het verzamelen van informatie kunnen op zoek gaan naar patronen in de data. Deze patronen verschillen naargelang de gebruikte algoritmen in de analyse. Het doel van deze topic is een exploratief onderzoek omtrent de verschillende processen die tot nieuwe muziek kunnen leiden. Naast geluid kan tekst en visuele data eveneens van betekenis zijn. Het is daarbij van belang om deze informatie naar bruikbare auditieve variabelen te vertalen. We gebruiken hiervoor de statistische standaardconcepten uit kwantitatief onderzoek en nemen de artistieke vrijheid om heel het concept onder de noemer data mining te plaatsen.
 
Ik heb eens wat leesvoer toegestuurd gekregen, misschien ook leuk om te delen...
Het is een wetenschappelijke hand-out getiteld “ What Makes Music Sound Good?”.
Past ook goed in deze discussie lijkt me.
 

Attachments

  • MUS105handouts.pdf
    6 MB · Bekeken: 161
Ik ben wel benieuwd hoe de succesfactor wordt bepaald. Uiteindelijk kun je uit alle data wel iets genereren, maar wanneer is het resultaat geslaagd? Een interessante ontwikkeling is bijvoorbeeld het gebruik van deep learning om nieuwe muziek te genereren maar die wel een duidelijke link heeft met bestaande muziek zoals MuseNet . Hierbij is het algoritme gevoerd met een enorme hoeveelheid muziek en heeft hier zelf uit de beschikbare informatie 'geleerd' hoe dit in elkaar zit. De succesfactor hier is dus het genereren van nieuwe muziek die goed in het gehoor ligt omdat het geleerd heeft van de regels die bij bestaande muziek worden toegepast zonder dat die regels zijn voorgekauwd. Je kunt net als data visualiseren ook data omzetten in geluid, zoals bijvoorbeeld The Shamen hebben gedaan met het DNA van S2 proteine. Hierbij hebben ze gebruik kunnen maken van het regelmatige patroon van DNA sequences en het geringe aantal componenten om geluiden te maken die toch best OK in het gehoor liggen:

Het andere uiterste is ongerelateerde data (de resultaten van de nationale tuinvogeltelling bijvoorbeeld) uitvlooien op (mogelijk significante) patronen en daar iets mee doen, maar dan lijkt het me dat je al heel snel op een soort pseudo-random effect uitkomt dat weinig meer van doen heeft met de onderliggende dataset of hier in ieder geval niets zinnigs over zegt. In dat geval is er niet echt sprake van 'minen' (het blootleggen van kostbaarheden in een grote massa ogenschijnlijk waardeloos materiaal) maar gewoon een kuil graven en met een systematiek gebaseerd op willekeur de kluiten prut gebruiken die je eruit pakt en hopen op een 'happy accident'. Oftewel de vraag is: welke data ga je gebruiken, wat ga je in die data zoeken, hoe doe je dat en wat doe je ermee?
 
Laatst gewijzigd:
JazzMann schreef:
Wat een suspense… :peukie:

Begrijp ik het goed dat we de volgende inhoudelijke aanloop maakten?

Geluid is informatie en door het verzamelen van informatie kunnen op zoek gaan naar patronen in de data. Deze patronen verschillen naargelang de gebruikte algoritmen in de analyse. Het doel van deze topic is een exploratief onderzoek omtrent de verschillende processen die tot nieuwe muziek kunnen leiden. Naast geluid kan tekst en visuele data eveneens van betekenis zijn. Het is daarbij van belang om deze informatie naar bruikbare auditieve variabelen te vertalen. We gebruiken hiervoor de statistische standaardconcepten uit kwantitatief onderzoek en nemen de artistieke vrijheid om heel het concept onder de noemer data mining te plaatsen.
Zie meer...
Een aardige beschrijven van het idee!

Bron:

JazzMann Ouwe rot​

 
Grumble schreef:
Ik heb eens wat leesvoer toegestuurd gekregen, misschien ook leuk om te delen...
Het is een wetenschappelijke hand-out getiteld “ What Makes Music Sound Good?”.
Past ook goed in deze discussie lijkt me.
Zie meer...
Wat maakt dat muziek goed klinkt werkt met een concept wat we al kennen. Dit concept is al aanwezig in de bestaande AI compositie programma's waar ik een tijd geleden melding van maakte. Met nieuwe muziek is de zoektocht niet naar meer van hetzelfde, maar om tot een nieuw muzikaal waardesysteem te komen.
 
Ok, wat maakt voor jouw dat je iets kwalificeert als “muziek” en niet als ”geluid”
hebben we het nog steeds over het speelveld van pitch, amplitude en ritme? Of heb jij hier andere ideeen bij?
 
roland kuit schreef:
Met nieuwe muziek is de zoektocht niet naar meer van hetzelfde, maar om tot een nieuw muzikaal waardesysteem te komen.
Zie meer...

Daar zit wat in, maar ik denk dat @Nap hierboven interessante vragen stelt, hoe bepaal je wanneer een resultaat voldoet om mee te tellen in de totstandkoming van een nieuw waardesysteem dat muzikaal is? Een mogelijke benadering zou kunnen zijn dat vooral het experiment telt en de luisteraar voor zichzelf de vraag moet beantwoorden of een resultaat bijdraagt, of niet. Zo'n benadering kun je ook nemen voor de vraag van @Eclectic , maar toch voelt het als een wat gemakkelijke oplossing om deze kwesties verder te vermijden. Liever een andere, beter gedefinieerde oplossing, waar we aan moeten werken, denk ik.

Daarnaast, als je een gegeven dataset extreem grondig moet doorspitten om tot zinvolle patronen te komen, het lijkt me dat de relatie tussen het eindresultaat en de oorspronkelijk dataset onderweg verloren gaat. Dan heb je die dataset waarschijnlijk niet eens nodig en kun je net zo goed (pseudo)-random data genereren en dat gebruiken. Dus het lijkt me dat je in het geval van een vorm van datamining (even los van andere definities genoemd in het draadje voor deze term) er wel iets van die relatie behouden moet blijven.
 
Disharmonic schreef:
Daar zit wat in, maar ik denk dat @Nap hierboven interessante vragen stelt, hoe bepaal je wanneer een resultaat voldoet om mee te tellen in de totstandkoming van een nieuw waardesysteem dat muzikaal is? Een mogelijke benadering zou kunnen zijn dat vooral het experiment telt en de luisteraar voor zichzelf de vraag moet beantwoorden of een resultaat bijdraagt, of niet. Zo'n benadering kun je ook nemen voor de vraag van @Eclectic , maar toch voelt het als een wat gemakkelijke oplossing om deze kwesties verder te vermijden. Liever een andere, beter gedefinieerde oplossing, waar we aan moeten werken, denk ik.

Daarnaast, als je een gegeven dataset extreem grondig moet doorspitten om tot zinvolle patronen te komen, het lijkt me dat de relatie tussen het eindresultaat en de oorspronkelijk dataset onderweg verloren gaat. Dan heb je die dataset waarschijnlijk niet eens nodig en kun je net zo goed (pseudo)-random data genereren en dat gebruiken. Dus het lijkt me dat je in het geval van een vorm van datamining (even los van andere definities genoemd in het draadje voor deze term) er wel iets van die relatie behouden moet blijven.
Zie meer...
A/ Dit was ook mijn idee. Dat schrijven over wat goede muziek is, is erg kort door de bocht. Een teveel grofmazige meetkunde die we dus overal terugvinden. De deling gaat veel verder dan het boven neergezette pdf, neem b.v. alleen al microtonale muziek. Nieuwe muziek ontstaat niet wanneer men in het gareel blijft lopen. Daarvoor zijn experimenten nodig om door die grenzen te breken.
B/ Het concept is misschien wel de belangrijkste factor in deze. De keuze van welke data, en hoe te gebruiken.
 
Laatst gewijzigd:
Een andere invalshoek is dat de gewonnen data een nut moet dienen, namelijk het komen tot een nog beter resultaat. En dáár wringt de schoen in dit topic. ASCI naar geluid is geen mining, maar feeding.
Mining is het aggregeren van relevante data, die het wordingsproces van het resultaat beoogd beïnvloed. Topic titel en toelichting zo ver kan deze toets nog niet doorstaan.
 
Er zijn veel tegenstellingen over het woord Data Mining. Hier lijkt de zakelijke en de culture wereld elkaar te bijten. Een stap terug nemend gaat het eigenlijk alleen over gebruik van processen en hoe die in te zetten..
Data Mining brengt klanken voort uit informatie die een bepaalde dataset geeft, waardoor er in de muziek een gevoel van onbepaaldheid ontstaat. Datamining kan afkomstig zijn van milieugegevens, chemische componenten, architectuur, biofeedback, elk denkbaar patroon.(uit Max/Msp).
 
roland kuit schreef:
@Grumble , excuus dat ik je pdf niet wilde meenemen in het denken. Ik had geschreven dat welke data dan ook gebruikt mocht worden voor de experimenten.
Het is alleen niet wat ik zoek. Het denken uit het pdf staat voor het format waarmee veel geëxperimenteerd wordt in de commerciële muziek.
Zie meer...
Geen probleem hoor!
Je schreef:
maar om tot een nieuw muzikaal waardesysteem te komen.
Zie meer...
Ik gaf ook eerder een linkje naar Hooktheory, dat maakt gebruik van populaire melodieën om nieuwe progressies te creëren die uiteraard in de lijn ligt van de gebruikte database.
Voor de westerse mens liggen bv melodieën uit China (evenals veel niet westerse melodieën) niet prettig in het gehoor, maar wat als je de Hooktheory database met dergelijke, niet westerse, populaire liedjes vult?
Ongetwijfeld krijg je dan niet westers klinkende melodieën als resultaat.
Wat ik maar wil zeggen is dat wat ik mooi vind en wat voor mij goed in het gehoor ligt, afhankelijk is van waar ik geboren en getogen ben, maar ook mijn persoonlijke ontwikkeling (vroeger vond ik house verschrikkelijk, tegenwoordig kan ik er met plezier naar luisteren) terwijl aan de andere kant ik heel weinig klassiek luister wat ik “vroeger” veel meer deed.
Dus de vraag is hoe je dat muzikaal waardensysteem wilt beoordelen? Wat klinkt goed binnen dat waarde systeem en wat niet?
Ik herinner me een scène uit de film Mozart, waarin hij verweten wordt “teveel noten te gebruiken”, maar het was wél nieuw :)
 
Je dient in te loggen of je te registreren om een bericht te kunnen plaatsen.

Vergelijkbare discussies

rvanommen
rvanommen - Singularity of me
2 3 4
Reacties
63
Bekeken
2K
rvanommen
rvanommen
ishi
Overzicht sprekers en deelnemers op de SynthForum Meeting op 16 oktober (WillemTwee Studio's, 's-Hertogenbosch)
Reacties
1
Bekeken
2K
ProgHead
ProgHead
vink
Meldaproduction alles 50%
Reacties
5
Bekeken
717
vink
vink
JimmyEyckmans
Hallo iedereen!
Reacties
12
Bekeken
1K
Deleted member 18007
D
Montfrooij
Moog subsequent 37, eerste impressie
Reacties
10
Bekeken
3K
ferbose
F
Back
Top