Makine öğrenmesi yoluyla öznitelik tabanlı tını karşılaştırması ve arayüz tasarımı

Günümüzde makine öğrenmesi teknolojileri, büyük veri çağının en belirleyici unsurlarından biri olarak konumlanmıştır. Dijital ortamda üretilen ve depolanan veri miktarının hızla artması, bu verilerin sınıflandırılması, organize edilmesi ve anlamlandırılması süreçlerini manuel yöntemlerle sürdürülemez hale getirmiştir. Bu noktada makine öğrenmesi, karmaşık veri kümeleri arasındaki örüntüleri otomatik olarak tanımlayabilme ve bu örüntülerden yüksek doğrulukta tahminler üretebilme kapasitesiyle, veri organizasyonu ve içerik temelli bilgi erişim sistemlerinde devrim niteliğinde bir rol üstlenmiştir. Özellikle metin, görsel ve işitsel içeriklerin analizinde kullanılan bu teknolojiler, yalnızca bilgiye erişimi kolaylaştırmakla kalmamış; aynı zamanda üretim süreçlerinin otomasyonunda da önemli bir dönüşüm yaratmıştır. Bu tez çalışması, söz konusu dönüşümün müzik üretim süreçlerindeki yansımalarına odaklanmaktadır. Dijital ses teknolojilerinin gelişimiyle birlikte, müzik prodüktörleri milyonlarca örneklenmiş sese çevrimiçi platformlar aracılığıyla erişebilmektedir. Ancak bu çeşitlilik, üretim sürecinde doğru sesi seçme aşamasını hem zaman hem de verimlilik açısından önemli bir sorun haline getirmiştir. Bu problemden hareketle çalışma, makine öğrenmesi temelli tınısal benzerlik analizine dayalı bir arayüz sistemi tasarlamaktadır. Çalışmanın amacı, seslerin içerik temelli analizi yoluyla otomatik sınıflandırma ve benzerlik tespiti gerçekleştirebilen bir sistem geliştirerek, müzik prodüksiyon sürecindeki ses seçimini hızlandırmak ve ses organizasyonunu optimize etmektir. Araştırma kapsamında, kick, snare, rim, clap, cymbal, hat ve bass olmak üzere yedi farklı enstrüman sınıfından oluşan 6435 tek-atım (one-shot) ses dosyası içeren bir veri seti oluşturulmuştur. Bu seslerden 42 adet spektral ve zamansal öznitelik çıkarılmış, elde edilen öznitelikler hem klasik makine öğrenmesi mimarileri hem de derin öğrenme tabanlı yapay sinir ağı (YSA) mimarisiyle eğitilmiştir. YSA modeli, üç farklı öznitelik setiyle (tüm öznitelikler, en etkili 20 öznitelik ve en etkili 10 öznitelik) yeniden eğitilerek performansları doğruluk, kesinlik, duyarlılık ve F1 skorları üzerinden karşılaştırılmıştır. Çalışma sonucunda derin öğrenme mimarisinin, özellikle düşük frekans bölgelerindeki kick ve bass sınıflarında daha yüksek doğruluk oranlarına ulaştığı belirlenmiştir. YSA'nın gömü (embedding) katmanında elde edilen temsiller, seslerin tınısal benzerliklerini temsil eden çok boyutlu vektör uzayları oluşturarak benzerlik analizinin doğrudan kategorizasyon sürecine entegre edilmesini sağlamıştır. Tez kapsamında geliştirilen Streamlit tabanlı arayüz, kullanıcıların kendi ses dosyalarını yükleyip bu dosyalar arasındaki tınısal yakınlıkları analiz edebileceği etkileşimli bir platform sunmaktadır. Arayüz, benzer sesleri listeleyebilmekte, sınıflandırma sonuçlarını görselleştirebilmekte ve yerel ortamda çevrimdışı olarak çalışabilmektedir. Sonuç olarak bu tez, makine öğrenmesi ve derin öğrenme teknolojilerinin müzik teknolojisi alanındaki veri organizasyonu, ses analizi ve yaratıcı üretim süreçlerine entegrasyonuna yönelik yenilikçi bir yaklaşım sunmaktadır. Geliştirilen sistemin açık kaynaklı yapısı sayesinde hem akademik araştırmacılar hem de müzik prodüktörleri için yeniden üretilebilir, geliştirilebilir ve pratik bir çözüm önerisi sunduğu öngörülmektedir.