Resumo
Atores do processo de produção musical operam diversas ferramentas para obter artefatos musicais de alta qualidade. Uma das ferramentas tipicamente utilizadas é o processador digital multiefeitos, que aplica uma cadeia de transformações não lineares (efeitos) aos sinais de áudio. No entanto, o grande número de configurações disponíveis implica que um melhor uso de tais equipamentos é restrito a especialistas. Nesse contexto, sistemas inteligentes para produção musical visam propor ferramentas automáticas para facilitar e apoiar a tomada de decisão de atores do processo de produção musical. Nesta dissertação, o problema específico de selecionar plugins de áudio, i.e., implementações de efeitos, é abordado manipulando-o como tarefas de recomendação de sequências de plugins em três casos distintos e independentes: i) recomendação sobre sequências parcialmente observadas, ii) definição automática da ordem dos plugins em uma sequência, e, iii) recomendação completa de sequência de plugins. Para estas tarefas, são aplicados dois paradigmas de aprendizagem de máquina: aprendizagem supervisionada e filtragem colaborativa. No primeiro, classificadores multiclasse amplamente utilizados são aplicados para predizer plugins/classes em uma posição fixa de uma sequência dado os elementos/plugins restantes dessa sequência. Os modelos avaliados foram o Perceptron Multicamadas, a Regressão Logística e a Máquina de Vetores Suporte. No segundo, modelos para filtragem colaborativa procuram executar predições automáticas baseadas em sequências semelhantes no conjunto de dados disponível. Os modelos k-vizinhos mais próximos e a Máquina de Boltzmann Restrita para Filtragem Colaborativa (RBM-CF) foram avaliados. Todos os modelos foram treinados usando dados coletados de repositórios online. Com base nos experimentos, as abordagens de aprendizagem supervisionada superam as de filtragem colaborativa para a tarefa de recomendações com informações de sequência parcial. No entanto, o paradigma de aprendizagem supervisionada não é escalável ao tamanho da sequência, pois requer o treinamento de uma grande quantidade de modelos. Devido à sua capacidade generativa, apenas a RBM-CF pôde ser aplicada para a recomendação de sequências completas e a definição da ordem dos plugins de áudio