Solución:
eche un vistazo a https://archive.ics.uci.edu/ml/datasets.php y vea si encuentra algún tema que le guste.
Si tiene experiencia con C ++ y C, será más fácil aprender Matlab.
Con respecto al tema que usará, le sugiero que vea el enlace de arriba y trate de encontrar algo que le guste que pueda aplicarse a NN, busque en acm, ieee u otros repositorios de artículos sobre NN y vea si puede encontrar también estudios o informes. sobre el tema que puede estar buscando.
Buena suerte.
Lo siento, estaría simplificando demasiado las cosas, pero deseo dispersar un poco la niebla. Una red neuronal simple es una forma de aproximar una función, llámela f, desde (generalmente) R ^ n (espacio vectorial real de dimensión n) a R ^ my similares. Suponga que m = 1. En lugar de buscar un polinomio P (x_1, .., x_n) que se aproxime a su función basándose en un conjunto de muestras (p, f (p)), busca encontrar los parámetros a_i, b_ij en algo como s (a_1 * s ( b_11 * x_1 + b_n1 * x_n) + … + a_t * s (b_1t * x_1 + b_nt * x_n)) donde s es, por ejemplo, la función “sigmoide”, de modo que esta extraña función coincide bien con tus muestras.
La motivación es supuestamente biológica. El “algoritmo de entrenamiento” consiste en ajustar sucesivamente los valores de a_i, b_ij anteriores para que los valores de la función resultante en los puntos muestrales p se acerquen “en promedio” af (p), a través de alguna variante de descenso más pronunciado, que, se afirma, tiene buen comportamiento en algunos casos. NN estuvo rodeada de mucha publicidad en los 90-s, pero considerando su objetivo real que era aproximarse a una función desconocida basada en sus muestras (contrario al objetivo publicitado que era “imitar el cerebro humano” o algo así) , se sugirieron muchos otros esquemas de aproximación para el mismo alcance, por ejemplo, SVM (“máquinas de vectores de soporte”), que tienen una justificación más atractiva (a menudo también engañosa, después de ver la magia negra de buscar el “núcleo correcto” para el trabajo en artículos de investigación).
Sin embargo, el punto es que siempre que elija las “características” correctas para el trabajo (es decir, encuentre una buena manera de traducir sus muestras de música en puntos en un espacio vectorial de 100 dimensiones, digamos), de modo que los puntos del género X estará “cerca” de otros puntos del género X, y los puntos del género Y estarán “cerca” de los puntos del género Y, y los puntos del género X estarán muy lejos de los puntos del género Y, puede usar NN, SVM, árboles de decisión o cualquier otra cosa que desee para separar los géneros (aunque la precisión y la eficiencia pueden variar). El punto es encontrar el conjunto correcto de características, al menos si entendemos la IA en este sentido (pero si este fuera el único sentido, creo que IBM Watson no sería posible …)
Hay una muy buena charla tecnológica de Google sobre redes neuronales.
youtube.com/watch?v=AyzOUbkUf3M
Si se toma en serio el uso de una red neuronal para el proyecto final, vale la pena una hora.
En cuanto a texto vs música. Las redes neuronales son excelentes clasificadores. Son bastante fáciles de enseñar con datos estáticos que tienen una clasificación de verdadero / falso, encendido / apagado. Un poco más desafiante cuando la red necesita clasificar la entrada en conjuntos.
Las redes neuronales tienen más problemas con la transmisión de datos. Hay algunas técnicas bien conocidas para hacer que esto funcione, pero su intuición sobre cuál funcionará bien no es suficiente. Deberá observar lo que hicieron otros científicos y duplicar su técnica. De lo contrario, corre un gran riesgo de crear un espacio problemático del que NN no está preparado para aprender.
No creo que obtenga resultados interesantes transmitiendo la forma de onda de la música a través de una red neuronal. Deberá procesar previamente los datos en un formato utilizable.
Lo último que necesitará son MUCHOS datos. Mientras más, mejor. Necesita los datos horneados y su clasificación. Cientos de miles. No podrá clasificar algunos a mano para crear un conjunto de datos de aprendizaje.
Entonces, considerando toda esta clasificación de texto es mucho más factible que la música.
Las redes neuronales necesitan un ENORME corpus de datos. Wikipedia es enorme y tiene mucha metainformación sobre cada página (popularidad, calidad, recuentos de ediciones, etc.). Google también puede obtener un gran conjunto de datos que tiene una clasificación particular, por ejemplo, “perros felices” frente a “perros tristes”, o simplemente “perros”, donde la clasificación de Google es su clasificación.