Cuadernos FMP: cuadernos de Python para los fundamentos del procesamiento musical
Estado actual
- Los cuadernos FMP se actualizan regularmente (versión actual: 1.2.6).
- Se puede explorar el contenido directamente mediante una versión HTML estática.
- Para ejecutar el código Python, es necesario seguir las instrucciones de la página "Get Started".
Introducción
- Los cuadernos FMP son una colección de materiales educativos para enseñar y aprender los fundamentos del procesamiento musical (FMP).
- Cubren temas principales del campo de la recuperación de información musical (MIR) e incluyen ejemplos de código Python que implementan la teoría.
- Están organizados como un marco de trabajo coherente e integral basado en cuadernos de Jupyter.
- Están dirigidos a estudiantes, docentes e investigadores para estudiar teoría y práctica, generar materiales de clase y ofrecer implementaciones base de muchas tareas de MIR.
Información de licencia
- Los textos y las imágenes están bajo la licencia Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
- El paquete de Python
libfmp está bajo licencia MIT y está disponible en GitHub.
- Los materiales de audio están sujetos a sus licencias originales respectivas.
Primeros pasos
- La versión HTML estática puede usarse de inmediato sin instalación.
- Para ejecutar las celdas de código Python, es necesario descargar los cuadernos, configurar el entorno e iniciar un servidor de Jupyter.
- Los pasos necesarios se describen en detalle en la sección "Get Started" de los cuadernos FMP.
Panorama general
- Los cuadernos FMP están organizados siguiendo los 8 capítulos del libro de texto [Müller, FMP, Springer 2015].
- Cada capítulo trata temas como programación en Python, el framework Jupyter, representación musical, análisis de Fourier de señales, sincronización musical, análisis de estructura musical, reconocimiento de acordes, seguimiento de tempo y beats, recuperación de audio basada en contenido y descomposición de audio con información musical.
Principales contribuyentes
- Varios estudiantes, colaboradores y colegas contribuyeron a la creación de los cuadernos FMP.
- Principales contribuyentes: Vlora Arifi-Müller, Stefan Balke, Eran Egozy, Michael Krause, Patricio López-Serrano, Brian McFee, Sebastian Rosenzweig, Steve Tjoa, Angel Villar-Corrales, Christof Weiß, Frank Zalkow, Tim Zunner.
Materiales de referencia
- LibROSA: ofrece muchos bloques de construcción para sistemas de recuperación de información musical, mantenido por Brian McFee.
- Notes on Music Information Retrieval: colección de materiales educativos de MIR mantenida por Steve Tjoa.
- Curso Fundamentals of Music Processing: incluye muchos ejemplos de código Python proporcionados por Eran Egozy.
Opinión de GN⁺
- Valor educativo: los cuadernos FMP son un recurso muy útil para quienes desean aprender los fundamentos del procesamiento musical.
- Enfoque práctico: los ejemplos de código Python que acompañan la teoría ayudan a mejorar la comprensión mediante la práctica.
- Uso de código abierto: aprovechan diversas herramientas y bibliotecas de código abierto para ofrecer materiales de aprendizaje más ricos.
- Requisitos técnicos: se necesita una comprensión básica de Python y de los cuadernos de Jupyter.
- Necesidad de actualización: como reciben actualizaciones regulares, es importante revisar la versión más reciente.
1 comentarios
Comentarios de Hacker News
Pregunta sobre si hay buenos recursos para aprender algoritmos de procesamiento de audio digital: Preguntan si existen buenos recursos para aprender algoritmos de procesamiento de audio digital, por ejemplo compresión, reverberación, etc.
Uno de los mejores recursos sobre audio DSP+ML: Está enfocado en música, pero también es muy relevante para otros tipos de audio, como voz y sonidos del entorno.
Recurso adicional que podría ayudar: ThinkDSP también puede ser útil.
Pregunta sobre si es bueno para alguien que no sabe de música pero le gusta programar y quiere aprender sobre audio y generación de sonido: Incluso sin conocimientos de música, también puede ser útil en el contexto de otros tipos de señales.
Buena referencia: Es un buen recurso.
Agradecimiento: Buen recurso, gracias.
Referencia adicional: También vale la pena revisar la página web de Dan Ellis de la Universidad de Columbia y el excelente librosa.