Top Banner
Dime qué haces y te diré quién eres (A.K.A) Data driven music cognition Pablo Hernán Rodriguez Zivic @ideasrapidas
53
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Data driven music cognition

Dime qué haces y te diré quién eres

(A.K.A) Data driven music cognition

Pablo Hernán Rodriguez Zivic

@ideasrapidas

Page 2: Data driven music cognition

Estudiando la evolución culturalIn

crei

ble

Práctico

You can read a small number of

books very carefully.

Or you can read lots of books "very,

very not-carefully”

Erez Lieberman

Page 3: Data driven music cognition

Google n-gram viewer

http://books.google.com/ngrams

Page 4: Data driven music cognition

Google n-gram viewer

http://books.google.com/ngrams

Page 5: Data driven music cognition

Análisis de google n-gram

Page 6: Data driven music cognition

Culturomics

Así como “genomics”, es un lente hacia biología

que usa los genes para entenderla, se define

Culturomics, un lente hacia la cultura humana a

partir de la aplicación del análisis de conjuntos de

datos masivos.

Jean-Baptiste Michel y Erez Lieberman Aiden (2011)

Page 7: Data driven music cognition

Culturomics desde una perspectiva amplia

Pero, ¿Por qué limitarnos solamente a literatura?Por ejemplo, noticias, comentarios en foros

Y, ¿Por qué no analizar otras manifestaciones

culturales?

Por ejemplo, música, pintura

Page 8: Data driven music cognition

¿Por qué limitarnos solo a la cultura?

Principio antrópico debil:

Los valores observados de todas las cantidades

físicas y cosmológicas no son igualmente

probables, sino que están restringidos por el

hecho de que existen lugares del Universo donde

se ha podido desarrollar la vida basada en el

carbono y el hecho de que el Universo sea

suficientemente antiguo como para que esto haya

ocurrido.

Page 9: Data driven music cognition

¿Por qué limitarnos solo a la cultura?

Principio antrópico debil (cultural?)

Los valores observados de todos las actividades

desarrolladas por la especie humana no son

igualmente probables, sino que están

restringidas por las características físicas,

biológicas y cognitivas de los mismos

Page 10: Data driven music cognition

Computational sociology: foros

RateBeer: La gente discute sobre cerveza

• 3M posts, 30k usuarios

• Utilizan un lenguaje específico

Page 11: Data driven music cognition

Computational sociology: foros

Page 12: Data driven music cognition

Computational sociology: foros

La gente cambia:

Disminuyen los pronombres en primera persona

Aumenta el vocabulario específico de la cerveza

La comunidad cambia:

Aumentan las palabras relacionadas a frutas

Encuentra una dinámica que explica la evolución

del lenguaje de una persona en relación a la

comunidad

Page 13: Data driven music cognition

Interpretación

¿Tiene sentido observar este comportamiento?

¡¡Sí!! Si no, ¿cómo hablaríamos con

nuestros padres si no?

Page 14: Data driven music cognition

• Cuando dicen tus “me gusta”?

• Bastante: • Orientación sexual

• Etnia

• Religión

• Orientación política

• Inteligencia

• Nivel de felicidad

• Uso de sustancias adictivas

• Edad

• Género

Computational sociology: facebook

Page 15: Data driven music cognition

WARNING: Correlación no implica causalidad

Predicción de la ubicación de

Osama Bin Laden

Page 16: Data driven music cognition

Pintura

La “naturalidad”

que se le atribuye a

las pinturas de

Pollock se puede

medir

Page 17: Data driven music cognition

Pintura

La posición de los ojos en los retratos de los

últimos siglos tiene la misma precisión que

experimentos con puntos

Page 18: Data driven music cognition

Data driven music cognition

Page 19: Data driven music cognition

¿En qué consiste?

• Representar la música

• Definir criterio de decisión

Page 20: Data driven music cognition

OctavaFrecuencias

880 Hz

440 Hz

Page 21: Data driven music cognition

880 Hz

440 Hz

OctavaNotas, semitonos

Page 22: Data driven music cognition

880 Hz

440 Hz

OctavaEscala

Page 23: Data driven music cognition

Melodías

880 Hz

440 Hz

Page 24: Data driven music cognition

Melodíasintervalos

880 Hz

440 Hz

Page 25: Data driven music cognition

Melodíasintervalos

880 Hz

440 Hz

Feliz cumpleaños 0, 2, -2, 5, -2

Page 26: Data driven music cognition

Melodíasbigramas

Intervalos Bigramas

0 2

2 -2

-2 5

5 -2

0

2

-2

5

-2

Page 27: Data driven music cognition

MelodíasEstadísticas

Bigramas: (0,2) (2,-2) (-2,5) (5,-1)

Inte

rvalo

1

Intervalo 2

Page 28: Data driven music cognition

¿Qué pasa si hacemos esa estadística por año?

Page 29: Data driven music cognition

¿En qué consiste?

• Representar la música

• Definir criterio de decisión

Page 30: Data driven music cognition

Ahora podemos medir distancias entre matrices

Page 31: Data driven music cognition

1760

1740

1790

1810

1840

1870

1890

1900

Page 32: Data driven music cognition

Tiempo

Pert

en

en

cia

¿Cómo vemos las tendencias

temporales?Gráfico de mentirita

1 2

3

4 5

67

8

910

11

12

A

B

Page 33: Data driven music cognition

Gráfico de adeveras

¿Cómo vemos las tendencias

temporales?

Page 34: Data driven music cognition

Algo hay... la pregunta es ¿qué?

Idea: explicar el resultado en función de principios “simples”

Page 35: Data driven music cognition

Data driven principles

Page 36: Data driven music cognition

Factores que explican el resultado

Barroco

Page 37: Data driven music cognition

Factores que explican el resultado

Romántico Post romántico

Page 38: Data driven music cognition

Factores que explican el resultado

Clásico

Page 39: Data driven music cognition

Interludio: expectativas

Page 40: Data driven music cognition

La expectativa que una persona tiene respecto a un evento deberíaestar vinculada a su probabilidad

Page 41: Data driven music cognition

Compositores buscan despertaremociones en los oyentes.

Eso lo hacen satisfaciendo o denegando sus expectativas

Meyer(1960)

Page 42: Data driven music cognition

Por lo tanto, las partiturasanalizadas deben estar

relacionadas con las expectativasde los oyentes de esa época

Page 43: Data driven music cognition

Siendo que las distribuciones de probabilidades cambiaron,

entonces también lo deben haberhecho las expectativas

Page 44: Data driven music cognition

Lo primero que necesitamos es…

¡Una teoría que predique sobreexpectativas!

Page 45: Data driven music cognition

Expectativas en pares de intervalos

melódicos

Teoría de Implicación-Realización

• Dos sistemas perceptuales: Top Down y Bottom up

• Modela el sistema Bottom up (innata, inconciente)

• Define dos momentos: Implicativo y de Cierre

• Los oyentes tienen expectativas proporcionales

cuan implicativo es un intervalo

Page 46: Data driven music cognition

Expectativas en pares de intervalos

melódicos

Page 47: Data driven music cognition

¿Y como relacionamos las dos cosas?

Page 48: Data driven music cognition

• Los principios de IR son innatos (se supone)

• Su relación con los estilos no pasa por el

hecho de que los oyentes cambien

• Sino que porque cada estilo debería estar

marcado por combinaciones especificas.

Warning!

Page 49: Data driven music cognition

Proyectando

Page 50: Data driven music cognition

Proyectando

• Los principios explican pocavarianza

• Las proyecciones parecen bastantechatas

• No separa bien los estilos

• Sin embargo, es notable que hayatendencias compartidas

Page 51: Data driven music cognition

Dime qué haces y

te diré quién eres

En resumen…

Page 52: Data driven music cognition

¡Gracias!

Page 53: Data driven music cognition

¡Preguntas!¿Preguntas?

@ideasrapidas