DDMD

Çfarë bën

Projekti DDMD synon të sigurojë një zgjidhje të fuqizuar nga AI për zbulimin e muzikës dixhitale të drogës. Procesi fillon me mbledhjen e 3,176 skedarëve MP3 pa të drejtë autori, nga të cilët 1,676 klasifikohen si muzikë dixhitale droge dhe 1,500 si muzikë jo dixhitale të drogës.
Këta skedarë përdoren për të zhvilluar një model të bazuar në Pyllin e rastësishëm që mund t'i klasifikojë skedarët audio si muzikë dixhitale të drogës ose jo. Modeli përdor 34 veçori të nxjerra nga këta skedarë audio, duke mbuluar karakteristikat e frekuencës dhe të domenit kohor, dhe ka arritur rezultate shumë inkurajuese.
Për t'i bërë rezultatet të arritshme dhe të përshtatshme për përdoruesit, ne zhvilluam një aplikacion në internet. Ky aplikacion përdor modelin e trajnuar Random Forest për të klasifikuar skedarët audio përmes një ndërfaqe të thjeshtë dhe intuitive. Aplikacioni në internet DDMD është ndërtuar duke përdorur Flask për pjesën e pasme dhe HTML/CSS për pjesën e përparme. Ai përdor modelin e para-trajnuar Random Forest për të bërë parashikime, duke pranuar formate të ndryshme skedarësh audio, duke konvertuar skedarë jo-MP3 në MP3 dhe duke lejuar hyrjen përmes një URL të YouTube.
Për më tepër, për të rritur saktësinë e klasifikimit, ne po eksplorojmë mënyra për të përmirësuar aplikacionin DDMD duke akorduar mirë modelin Gemini-1.5-flash. Ne kemi propozuar dy qasje: së pari, kemi përgatitur një grup të dhënash JSON bazuar në rezultatet e klasifikuesit Random Forest për të rregulluar modelin Gemini-1.5-flash. Në qasjen e dytë, ne po përdorim Gemini API dhe po eksperimentojmë me formate të ndryshme hyrëse, duke përfshirë CSV dhe JSON, për të rregulluar mirë këtë model Gemini.