<p>Este conjunto de dados reúne códigos-fonte, algoritmos, materiais de apoio e os arquivos multimodais produzidos no contexto de uma pesquisa de doutorado que investiga a apropriação crítica e criativa de técnicas de aprendizado de máquina (<em>machine learning</em>) e escuta de máquina (<em>machine listening</em>) para a prática composicional da <em>live-electronics</em>. O material foi estruturado para garantir a reprodutibilidade e facilitar a exploração por parte de artistas, músicos e pesquisadores em seus projetos. O repositório com os dados pode ser acessado <a href="https://github.com/oviniciuscesar/dados-tese">aqui</a>.</p> <p>O conjunto de dados abrange três frentes principais:</p> <p><b>1. Ecossistema de algoritmos</b><br> Nesta seção encontram-se os repositórios contendo as ferramentas computacionais implementadas e exploradas no contexto da pesquisa:</p> <ul> <li><b>Objetos para <em>Pure Data</em> (linguagem C)</b>: Coleção de implementações puras (sem dependências externas) de algoritmos clássicos de aprendizado de máquina e redes neurais para composição em tempo real, que são produtos da revisão técnica realizada na pesquisa. Inclui os modelos <em>perceptron</em> (neurônio artificial clássico), <em>mlperceptron</em> (redes neurais multicamadas totalmente conectadas), SOM (Mapas Auto-Organizáveis de Kohonen para redução de dimensionalidade topológica) e <em>searchA-Star</em> (algoritmo de busca heurística em grafos). Há também objetos auxiliares como o <em>euclidiana</em>, para cálculo da distância euclidiana.</li> <li><b>Ferramentas Adicionais de Acústica e Análise</b>: Scripts em Python (dastgah_analysis) para análise computacional e musicológica focada na extração de perfil melódico e precisão de afinação da música tradicional persa. Os algoritmos escritos em C e C++ acompanham seus respectivos arquivos CMakeLists.txt contendo as instruções de compilação para garantir a reprodutibilidade técnica em diversas plataformas.</li> </ul> <p><b>2. Material de Apoio e Exemplos Matemáticos</b></p> <ul> <li><b>Jupyter Notebooks</b>: Uma coleção de códigos interativos que servem como material de apoio didático e demonstração das operações matemáticas discutidas no Capítulo 3 da tese. Os <em>notebooks</em> exemplificam o fundamento dos algoritmos <em>Busca A*</em>, <em>Adaline</em>, modelo MCP,<em>Perceptron</em> e os processos de <em>Feedforward</em> e <em>Backpropagation</em>, em redes neurais profundas.</li> </ul> <p><b>3. Materiais Composicionais de <em>Eutrópia III</em> (2025)</b></p> <ul> <li><b>Modelos de Redes Neurais (Python/PyTorch)</b>: Implementação de modelos de redes neurais utilizados no processo composicional de <em>Eutrópia III</em>, incluindo um modelo <em>Transformer Conditional Variational Autoencoder</em> (T-CVAE) para mapeamento de gestos e articulações da flauta em parâmetros de síntese, um modelo LSTM para reconstrução de trajetórias espaciais em coordenadas polares e filtros <em>Pseudo-Quadrature-Mirror-Filter</em> (PQMF) voltados ao processamento do sinal de áudio em sub-bandas.</li> <li><b>Ferramentas Adicionais</b>: adaptação do objeto <em>gaitacol~</em> para <em>Pure Data</em>, que modela computacionalmente as gaitas colombianas. <li>Dados resultantes do processo composicional da peça <em>Eutrópia III</em>, para flauta e <em>live-electronics</em>. Este escopo engloba os arquivos indispensáveis para estudo e performance da obra: partitura musical em formato PDF, uma gravação referencial em áudio espacializado (binaural) e os <em>patches</em> em <em>Pure Data</em> para a realização da eletrônica em tempo real da obra.</li> </ul>