Інтелектуальний агент для підбору музичних рекомендацій у мультимедійних робототехнічних системах із застосуванням алгоритмів машинного навчання

Скорочена інформація про документ
dc.contributor.advisorАльбрехт, Йосип Омелянович
dc.contributor.authorІванніков, Максим Тимурович
dc.date.accessioned2025-11-04T10:29:16Z
dc.date.available2025-11-04T10:29:16Z
dc.date.issued2025
dc.description.abstractІванніков. М. Т. Інтелектуальний агент для підбору музичних рекомендацій у мультимедійних робототехнічних системах із застосуванням алгоритмів машинного навчання. КПІ ім. Сікорського, Київ, 2025. Проєкт містить 85 сторінок тексту, 28 рисунків, 2 таблиці, посилання на 28 літературних джерела, а також демонстраційний вебзастосунок із повним програмним кодом (37 файлів). Об`єкт дослідження: інтелектуальний агент для підбору музичних рекомендацій. Предмет дослідження: інтелектуальний агент для підбору музичних рекомендацій. Мета дипломного проєкту: створення інтелектуального агента, що автоматично знаходить схожі пісні відповідно до вподобань користувача. У першому розділі проаналізовано предметну область персоналізованого аудіоконтенту, окреслено глобальні тенденції ринку стримінгу, роль інтелектуальних агентів у мультимедійних робототехнічних системах, технічні виклики edge-AI та етичні аспекти формування рекомендацій; на підставі цього сформульовано вимоги до алгоритмів, здатних працювати з обмеженими ресурсами й мінімальною історією прослуховувань. У другому розділі виконано детальний огляд п’яти провідних музичних сервісів (Spotify, Apple Music, YouTube Music, Amazon Music, Deezer), порівняно їхні підходи до cold-start, прозорості та контекстної чутливості; виявлено сильні й слабкі сторони існуючих рішень, що стало підґрунтям для вибору власної стратегії рекомендацій. У третьому розділі розглянуто основні методи рекомендації музичного контенту — колаборативну й контент-орієнтовану фільтрацію, гібридні схеми та моделі глибокого навчання; проаналізовано їх переваги та обмеження в умовах робототехнічних платформ і обґрунтовано вибір легковагового алгоритму k-nearest neighbors як оптимального рішення. У четвертому розділі спроєктовано систему: визначено функціональні й нефункціональні вимоги, побудовано клієнт-серверну архітектуру, описано моделі бази даних, схему взаємодії UI з бекендом та принципи модульності й масштабованості; наведено вибір технологій (Flask, React 18 + Vite, SQLAlchemy) і продемонстровано діаграми прецедентів, компонентів та станів. У п’ятому розділі реалізовано систему: докладно описано структуру клієнтської та серверної частин, алгоритм препроцесингу ознак, сам k-NN-агент з підтримкою гарячого перезавантаження, механізм автоматичного тюнінгу гіперпараметрів і результати його використання, що підтвердили поліпшення продуктивності моделі.
dc.description.abstractotherThe project consists of five chapters, contains 2 tables, 1 appendix, and 28 sources – totaling 85 pages. Research object: intelligent agent for generating music recommendations. Research subject: intelligent agent for generating music recommendations. Project objective: The purpose of the project is to create an intelligent agent that automatically finds songs similar to those preferred by the user. In the first chapter, the domain of personalized audio content is examined, outlining global streaming- market trends, the role of intelligent agents in multimedia robotic systems, the technical challenges of edge-AI, and the ethical issues inherent in recommendation generation. On this basis, requirements are formulated for algorithms capable of operating with limited resources and minimal listening histories. The second chapter provides an in-depth survey of five leading music services—Spotify, Apple Music, YouTube Music, Amazon Music, and Deezer—comparing their approaches to the cold-start problem, algorithmic transparency, and context awareness. The strengths and weaknesses identified in existing solutions form the groundwork for the project’s own recommendation strategy. In the third chapter, the main techniques for music recommendation are reviewed: collaborative filtering, content-based filtering, hybrid schemes, and deep- learning models. Their advantages and constraints in a robotics context are analyzed, leading to the justification of a lightweight k-nearest-neighbors algorithm as the optimal choice. The fourth chapter presents the system design: functional and non- functional requirements are defined, a client–server architecture is constructed, database models are described, and the interaction scheme between the user interface and backend is detailed, together with principles of modularity and scalability. The chosen technology stack (Flask, React 18 + Vite, SQLAlchemy) is substantiated, and use-case, component, and state diagrams are provided. In the fifth chapter, the system implementation is described: the structures of the client and server components, the feature- preprocessing pipeline, the k-NN agent with hot-reload capability, and the automatic hyperparameter-tuning mechanism are explained in detail. Experimental results demonstrate that this tuning improves model performance.
dc.format.extent92 с.
dc.identifier.citationІванніков, М. Т. Інтелектуальний агент для підбору музичних рекомендацій у мультимедійних робототехнічних системах із застосуванням алгоритмів машинного навчання : дипломний проєкт ... бакалавра : 126 Інформаційні системи та технології / Іванніков Максим Тимурович. – Київ, 2025. – 92 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/77069
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмузичні рекомендації
dc.subjectінтелектуальний агент
dc.subjectk-NN
dc.subjectмашинне навчання
dc.subjectробототехнічні системи
dc.subject.udc004.04
dc.titleІнтелектуальний агент для підбору музичних рекомендацій у мультимедійних робототехнічних системах із застосуванням алгоритмів машинного навчання
dc.title.alternativeIntelligent Agent for Music Recommendation in Multimedia Robotic Systems Using Machine-Learning Algorithms
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Ivannikov_bakalavr.pdf
Розмір:
2.92 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ІСТ)
Бакалаврські роботи