UA : Робота викладена на 78 сторінках друкованого тексту, містить 26 рисунків, 6 таблиць, 16 джерел, 3 додатки. Об’єкт дослідження: засоби поділу змішаних аудіо сигналів на основі алгоритмів машинного навчання. Мета роботи: дослідження ефективності та використання сучасних програмних засобів поділу змішаних аудіо сигналів на складові частини на основі алгоритмів машинного навчання. Метод дослідження: аналітичний. У кваліфікаційній роботі розглядаються сучасні засоби поділу змішаних аудіо сигналів на індивідуальні, залежно від їхньої природи походження, на основі алгоритмів машинного навчання. Розглянуто концепцію побудови алгоритмів машинного навчання та нейронних мереж для вирішення задач поділу змішаних аудіо даних. Виконано порівняння характеристик та ефективності роботи існуючих відкритих бібліотек призначених для поділу змішаних аудіо даних. На основі цього матеріалу побудовано веб-додаток для практичного застосування алгоритмів машинного навчання при виконанні поділу змішаних аудіо сигналів. Результати роботи можуть бути використані для побудови нових алгоритмів машинного навчання для сепарації аудіо сигналів, а також для їх практичного застосування.
EN : The work is presented on 78 pages of printed text, 26 figures, 6 tables, 16 references, 3 supplements. The object of the study is - means of separation of mixed audio signals into component parts on the basis of machine learning. The aim of the study is: research of modern software tools for dividing mixed audio signals into component parts based on machine learning, and the possibilities of their application. The method of research is - analytical. The qualification work considers modern means of dividing mixed audio signals into individual, depending on their nature of origin, based on machine learning algorithms. The concept of creation of machine learning algorithm and neural network for solving problems of mixed audio data separation is considered. The characteristics and performance of existing open libraries designed for the separation of mixed audio data are compared. Based on this material, a web application was built for the practical application of machine learning algorithms when performing the separation of mixed audio signals. The results of the work can be used to build new machine learning algorithms for the separation of audio signals, as well as their practical application.
