Prueba de clasificación de géneros musicales

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué es un espectrograma mel, comúnmente utilizado como entrada para redes neuronales de clasificación de géneros?
   • Una imagen de tiempo-frecuencia de audio usando una escala de tono perceptual
   • Una lista de letras de canciones convertidas a números.
   • Una forma de onda que muestra la amplitud bruta solo a lo largo del tiempo.
   • Una base de datos de nombres de artistas y años de lanzamiento.
2. ¿Qué conjunto de datos de referencia clásico contiene 1000 clips de treinta segundos en 10 géneros?
   • ImagenNet
   • GTZAN
   • LibriDiscurso
   • coco
3. ¿Por qué es fundamentalmente difícil lograr una precisión perfecta en la clasificación de géneros?
   • Las computadoras no pueden procesar audio en absoluto
   • Todas las canciones suenan idénticas a los algoritmos.
   • Los límites de género son confusos y culturalmente subjetivos
   • Los archivos de audio son demasiado pequeños para analizarlos
4. ¿Qué característica hecha a mano se utilizó ampliamente en los primeros sistemas de clasificación de géneros?
   • Relación de compresión JPEG
   • Frecuencia de etiquetas HTML
   • Histogramas de brillo de píxeles
   • Coeficientes cepstrales de frecuencia de fusión (MFCC)
5. ¿Qué produce una capa softmax al final de un clasificador de género?
   • Una distribución de probabilidad sobre clases de género.
   • Una única forma de onda de audio
   • Un archivo MP3 comprimido
   • Una imagen de espectrograma
6. How can self-supervised music pretraining reduce dependence on labeled genre examples?
   • It eliminates the need to evaluate genre labels
   • It can learn audio representations from unlabeled music, which are then evaluated or fine-tuned with labeled examples
   • It guarantees correct labels for every song
   • It converts genre categories into universal facts
7. How can exact or repeated excerpts in GTZAN distort a random train/test evaluation?
   • They ensure that every genre label is objective
   • They make the test set contain more genres than training
   • If repetitions cross the split, a model may see duplicate or near-duplicate material in both sets
   • They remove any need to inspect class labels
8. How do MFCCs differ from a mel-spectrogram representation?
   • MFCCs are the model’s final genre probabilities
   • A mel-spectrogram removes the time axis entirely
   • MFCCs measure only the recording’s file size
   • MFCCs summarize the log-mel spectrum with cepstral coefficients