Özet:
İnternetin yaygın kullanımı nedeniyle, her türden veriye eri¸sen cihazlarla internete
erişmek çok daha kolay ve ekonomik hale gelmiştir ve bu da çoklu ortam uygulamaları
için yeni gelişmelere yol açmıştır. Bu gelismeler son kullanıcı, eser sahibi ve müzik
yayını yapan platformlar için yeni gereksinimler ortaya çıkarmaktadır. Müzik türü
sınıflandırma, müzik önerisi ve müzik benzerligi bu gereksinimlerin bazılarıdır. Müzik
yayını yapan platformlar ve uygulamalar kullanıcılarına daha fazla müzik satışı
yapmak ve platformlarının saygınlıklarını artırmak için müzik öneri sistemlerine
gereksinim duymaktadırlar. Bu gereksinimi karşılayabilmek için; kullanıcının
müzik dinleme geçmişi ile birlikte sanatçı adı ve müzik türü gibi bazı üst-veriler
kullanılmaktadır. Müzikle kıyaslandıgında; sayısal müzik sistemlerinin müzige
nispeten daha yeni hayatımıza girmesi sebebiyle, sayısal müzik sistemlerinin ortaya
çıkmasından önce var olan müziklere ait üst veriler yoktur. Hatta, bazı güncel
sayısal müzikler için bile üst-veriler mevcut olmayabilir. Bu tür durumda, müzik türü
sınıflandırması ve müzik önerisi için müziğin akustik özellikleri kullanılabilir. Ayrıca,
bu yaklaşım üst verisi olan müziklerin sınıflandırılmasında ve sonuçların iyilestirilmesi
için ek bir özellik olarak da kullanılabilir. Bu tez çalışması kapsamında müzik önerisi,
müzik benzerligi ve müzik türü sınıflandırma problemlerinde kullanmak için müzikten
akustik özelliklerin çıkarılması gerçekle¸stirilmi¸stir. Bu bağlamda sayısal işaret
işleme, makine öğrenmesi ve derin öğrenme yöntemleri kullanılmıştır. Sayısal işaret işleme açısından, zaman - frekans analizi yöntemleri ve bu yöntemlerde kullanılan
parametrelerin müzik türü sınıflandırma ba¸sarısına etkisi ara¸stırılmı¸stır. Sınıflandırma
ba¸sarısına anlamlı bir katkının olup olmadığını gözlemlemek için dalgacık dönüşümü
teknikleri sayısal işaret işleme başlığı kapsamında ayrıca incelenmistir. Diğer yandan,
kullanımı gittikçe yaygınlaşan derin öğrenme yöntemleri akustik özellik çıkarımı ve müzik türü sınıflandırma amacıyla araştırılmış ve bu amaçla farklı evrişimsel
sinir ağları tasarlanmıştır. Aynı türden müziğin tespit edilmesi akustik özellikler
kullanan müzik önerisi sistemi için ölçüt olarak kullanılmıştır. Bu ölçüte göre önerilen
yöntemlerin ba¸sarımları karşılaştırılmıştır. Derin öğrenme yöntemleri ile elde edilen
sonuçların geleneksel sayısal işaret işleme yöntemlerine göre daha başarılı olduğu gözlemlenmiştir. Bu çalı¸smada Turkcell tarafından Fizy uygulamasına eklenecek olan
akustik öneri motorunun teorik ve uygulamalı altyapısı gelistirilmistir. Önerilen model
tabanlı sınıflandırma sistemi, etiketsiz (ya da üst verisi bulunmayan) veriler üzerinde
kullanılarak girdi olarak verilen bir müziğe benzer müzikleri tavsiye edebilmektedir.