Beruflich Dokumente
Kultur Dokumente
Input: Output:
Machine Learning Synthesizer
Körpergesten
Bewegungssensorik
Inertial Measurement Units (IMU)
-Granularsynthese (6 Param.)
Sensoren: Supervised ML
-EMG -Klassifikation
-IMU -Regression
-Temporal Modelling
(Dynamic Time -Corpus Based Concatenative
Warping; Hidden Synthesis (CBCS) (19 Param.)
Markov Chains als
Erweiterung)
Assisted Interactive Machine Learning (AIML)
Supervised vs. Unsupervised Machine Learning
~ Labelled vs. Unlabelled Training Examples
Beispieltasks UML: Clustering, Dimension Reduction, “Gruppierung
ähnlicher Features”
Reinforcement Learning
Maschinelle Tasks werden durch Mensch oder weiteren Algorithmus
evaluiert. Sog. ”Agents” versuchen positives Feedback zu maximieren.
Assisted Interactive Machine Learning (AIML)
IML Beispiel
11 Degrees of Dependence (Visi) Oben:
Saxofonistin mit Myo Armbänder an beiden Armen steuert Lauter, „breathy“
Physical Modelling Flötensynth
Klassifikationsmodell mapped „Ähnlichkeit zu 4 trainierten
Körperhaltungen“ auf Flötensynth.
Rechts Links
Flatterzungensound Mehr Obertöne
-Magnetometer misst Gesten
Rest
-EMG MAV (Mean abs. value) steuert Noise und Volume (- Neutral
> Interdependenz mit Instrumentalgesten)