Предмет
Наставници на часовима предавања
др Ивана Перковић, редовни професор
др Филип Пантелић, предавач ван радног односа
Наставници и сарадници на часовима вежби и ДОН
др Ивана Миладиновић-Прица, доцент
др Ивана Петковић Лозо, доцент
др Филип Пантелић, предавач ван радног односа
Услов
нема посебних услова
Исход
Након положеног испита од студента се очекује да познаје и критички евалуира базичне поставке, средства и инфраструктуре који се користе у дигиталним методама истраживања музике и података везаних за музику. Студент ће бити у стању да примени познавање MIR процеса (који се тичу OMR, MIDI, Humdrum, MusicXML, дигиталног аудио формата, метаподатака од значаја за истраживање музике, укључујући и податке са друштвених мрежа, итд.), не само у разноврсним истраживачким контекстима, већ и у препознавању и стварању вредности (друштвене, културне, економске). Студенти ће знати како да знања о жанровским, тембровским, ритмичким, фактурним, мелодијским и другим својставима музике примене у темама релевантним за машинско учење. Савладаће основе вештине рада из командне линије, неопходне за програме попут Music21, Humdrum и сл. Моћи ће да користе разноврсне базе података и да добијене податке примењују у различитим контекстима професионалног бављења музиком, а посебно у иновативним и истраживачким пројектима.
Циљ
Студенти ће усвојити фундаментална знања о дигиталним методама и средствима за истраживање музике и података везаних за музику. Упознаће и разумеће базичне принципе рада са дигиталним алатима потребним за истраживање четири основне форме података који се користе у процесу MIR (music information retrieval, „прикупљање података о музици“), како их је дефинисао Дауни (Stephen Downie). То су: 1) визуелне представе музичког записа (штампане музикалије, рукописи...), 2) симболички подаци (као што је MIDI стандард), 3) дигигални аудио и 4) метаподаци. Усвојиће знања о разноврсним базама података релевантним за музичаре, могућностима примене машинског учења у истраживањима музике, као и сазнања о значењу и етичности „отвореног приступа знању“ и софтвера отвореног кода. Студенти ће се оспособити да препознају и искористе могућности креирања вредности уз примену стечених знања о дигиталним методама у истраживањима музике и података везаних за музику.
Садржај теоријске наставе
Теоријска настава: Истраживање интегрисаних података о музици (MIR - music information retrieval); MIDI едитори у истраживањима музике; Анализа музичког садржаја MIDI формата – анализа мелодије, хармоније, структуре, базе података, могућности примене анализом добијених података; Мултимедијална контрола звука; Истраживање звука у простору: анализа дигиталних алата за креирање просторно-звучних представа; Примена MIDI база података за истраживање музичког садржаја; Анализа и препознавање апстрактних особина аудио сигнала – жанровски маркери, детекција сличности, препознавање инструмената; Машинско учење: примена у анализи аудио садржаја, музичким апликацијама; Од нотног записа до дигиталног музичког издања (неки од примера: OMR – Optical Music Recognition, Plaine and Easie Code, MIDI, Humdrum,MusicXML, MEI); Методе и софтвер за анотације музике (1): анотације музичких аудио сигнала; Методе и софтвер за анотације музике (2): могућности примене, технике и алати текстуалних анотација (либрета, текстови, коментари за интерпретацију), MELD (Music Encoding and Linked Data) и сл.; Онлајн базе података (1): дигитализовани музички рукописи, дигитализована музичка издања која имају отворени приступ, базе оријентисане на одређене музичке инструменте, ансамбле или жанрове, структуриране базе, портали и интернет претраживачи музике /Themefinder, Music n-Gram Viewer и сл./, историјски аудио и видео снимци; Онлајн базе података (2): музикалије у дигиталним библиотекама у Србији, дигитална периодика, дигитализовани часописи о музици, „банке“ слика релевантних за музику и музичаре, и др.; Онлајн базе података (3):RISM, RILM, RIdIM и сл.; Друштвене мреже и MIR алати.
Садржај практичне наставе
Практична настава: Основе практичног рада у MIDI едиторима, демонстрација рада у програму Sonic Visualiser или сличним open source програмима, демонстрација елементарног програмирања у програмским окружењима као што су VVVV, Octave и Matlab, демонстрација рада са алатом као што је Sonic Annotator, рад са ОМР софтвером (нпр. Aruspix, Gamera, OpenOMR и др.), практично упознавање са Humdrum и Music21 софтвером или сличним програмима, практична анализа структуре MusicXML фајлова, истраживање и студентске презентације практичне примене MusicXML формата (нпр. Musicalion, MuseScore, IMSLP, OpenScore, NEUMA, Folkopedia итд.), демонстрација и увежбавање технике анотације музике и текста; обрада и припрема резултата истраживања онлајн база података кроз практичне пројекте мањих димензија, објављивање на друштвеним мрежама
Предиспитне обавезе
Опис
Бодови
активност у току предавања
10
презентација пројекта
20
студентска презентација
20
Испитне обавезе
Опис
Бодови
писмени испит
10
усмени испт
40
Литература
Burgoyne John Ashley, Ichiro Fujinaga and Stephen Downie (2016). “Music Information Retrieval.” In A New Companion to Digital Humanities, edited by Susan Schreibman, Ray Siemens and John Unsworth, 213–28. Hoboken, New Jersey: Wiley-Blackwell.
Cuthbert Michael Scott, Ariza Christopher (2010). “music21: a toolkit for computer‐aided musicology and symbolic music data.” In Proceedings of the 11th International Society for Music Information Retrieval Conference, 637–42. Utrecht.
Gibson Lorna, Tim Crawford (Еds.) (2012). Modern Methods for Musicology: Prospects, Proposals, and Realities. Burlington – Vermont (VT) – USA: Ashgate Publishing, Ltd. Huron David (2013). “On the virtuous and the vexatious in the Age of Big Data.” Music Perception 31 (1), 4–9.
Јовић Марија, Ранковић Сања, Перковић Ивана. “Могућности нетнографског истраживања корисника YouTube платформе оријентисаних на српску музичку баштину.” Етнолошко-антрополошке свеске 30 (2019), 55–72.
Klugseder Robert (2018). „Digitale Musikanalysemit den Techniken der Music Encoding Initiative (MEI) am Beispiel von Kompositionsstudien Anton Bruckners.“ Musikforschung 4, 366–78.
Kowalczyk, Stacy, Yiming Sun, Zong Peng, Beth Plale et al. (2013). “Big data at scale for digital humanities: an architecture for the HathiTrust Research Center.” In Big Data Management, Technologies, and Applications, edited by H. Wen‐Chen and N. Kaabouch, 207–94. Hershey, PA: IGI Global.
Lee, Jin Ha and Cunningham Sally Jo (2013). “Toward an understanding of the history and impact of user studies in music information retrieval.” Journal of Intelligent Information Systems 41 (3), 499–521.
Lerch, Alexander (2012). An Introduction to Audio Content Analysis: Applications in Signal Processing and Music Informatics, Hoboken, New Jersey: Wiley, Blackwell.
Li Tao, Ogihara Mitsunori, Tzanetakis George (Еds.) (2011). Music Data Mining. Boca Raton, FL: CRC Press.
Mikić Radmila, Ivana Perković, Ivana Petković-Lozo. “Digital Music Collections in Serbian Libraries for New Music Research Initiatives.” In Contextuality of Musicology – What, How, Why and Because, edited by Tijana Popović Mlađenović Tijana, Ana Stefanović, Radoš Mitrović. Belgrade, Faculty of Music, 2020., 291-306.
Nurmikko-Fuller Terhi and Kevin R. Page (2016). “A Linked Research Network That Is Transforming Musicology.” WHiSe@ ESWC, 73–78.
Перковић Ивана, Пантелић Филип, Миладиновић-Прица Ивана. “Музичке базе података и културна разноврсност, Етнолошко-антрополошке свеске 30 (2019), 95-110.
Rebelo Ana, Ichiro Fujinaga et al. (2019). “Optical music recognition: state‐of‐the art and open issues.”
International Journal of Multimedia Information Retrieval 1 (3), 173–90.