Notebook FMP : notebooks Python pour les bases du traitement musical
Informations sur l’état actuel
- Les notebooks FMP sont mis à jour régulièrement (version actuelle : 1.2.6).
- Il est possible d’explorer directement le contenu via une version HTML statique.
- Pour exécuter le code Python, il faut suivre les instructions de la page "Get Started".
Présentation
- Les notebooks FMP constituent une collection de supports pédagogiques pour enseigner et apprendre les bases du traitement musical (FMP).
- Ils couvrent les principaux sujets du domaine de la recherche d’information musicale (MIR) et incluent des exemples de code Python mettant en œuvre la théorie.
- Ils sont organisés sous la forme d’un framework cohérent et complet basé sur des notebooks Jupyter.
- Ils s’adressent aux étudiants, enseignants et chercheurs pour étudier la théorie et la pratique, produire des supports de cours et fournir des implémentations de base pour de nombreuses tâches MIR.
Informations de licence
- Les textes et illustrations sont publiés sous licence Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International.
- Le package Python
libfmp est sous licence MIT et disponible sur GitHub.
- Les ressources audio restent soumises à leurs licences d’origine respectives.
Prise en main
- La version HTML statique peut être utilisée immédiatement sans installation.
- Pour exécuter les cellules de code Python, il faut télécharger les notebooks, configurer l’environnement, puis démarrer un serveur Jupyter.
- Les étapes nécessaires sont détaillées dans la section "Get Started" des notebooks FMP.
Vue d’ensemble
- Les notebooks FMP sont structurés selon les huit chapitres du manuel [Müller, FMP, Springer 2015].
- Chaque chapitre traite notamment de la programmation Python, du framework Jupyter, de la représentation musicale, de l’analyse de Fourier des signaux, de la synchronisation musicale, de l’analyse de structure musicale, de la reconnaissance d’accords, du suivi du tempo et du beat, de la recherche audio basée sur le contenu, ainsi que de la séparation audio informée musicalement.
Principaux contributeurs
- De nombreux étudiants, collaborateurs et collègues ont contribué à la création des notebooks FMP.
- Principaux contributeurs : Vlora Arifi-Müller, Stefan Balke, Eran Egozy, Michael Krause, Patricio López-Serrano, Brian McFee, Sebastian Rosenzweig, Steve Tjoa, Angel Villar-Corrales, Christof Weiß, Frank Zalkow, Tim Zunner.
Références
- LibROSA : fournit de nombreux blocs de base pour les systèmes de recherche d’information musicale, maintenu par Brian McFee.
- Notes on Music Information Retrieval : collection de supports pédagogiques MIR maintenue par Steve Tjoa.
- Cours Fundamentals of Music Processing : comprend de nombreux exemples de code Python proposés par Eran Egozy.
L’avis de GN⁺
- Valeur pédagogique : les notebooks FMP constituent une ressource très utile pour celles et ceux qui veulent apprendre les bases du traitement musical.
- Orienté pratique : les exemples de code Python fournis avec la théorie aident à approfondir la compréhension par la pratique.
- Usage de l’open source : le recours à divers outils et bibliothèques open source enrichit fortement les supports d’apprentissage.
- Prérequis techniques : une compréhension de base de Python et des notebooks Jupyter est nécessaire.
- Importance des mises à jour : des mises à jour régulières étant publiées, il est important de vérifier la version la plus récente.
1 commentaires
Commentaires sur Hacker News
Question sur l’existence de bonnes ressources pour apprendre les algorithmes de traitement audio numérique : question sur de bonnes ressources pour apprendre les algorithmes de traitement audio numérique, par exemple la compression, la réverbération, etc.
Excellente ressource sur l’audio DSP+ML : l’une des meilleures ressources sur le sujet ; elle est centrée sur la musique, mais reste aussi très pertinente pour d’autres types d’audio comme la parole ou les sons d’environnement.
Autre ressource potentiellement utile : ThinkDSP peut aussi être utile.
Question sur l’intérêt de cette ressource pour quelqu’un qui n’a pas de connaissances musicales mais aime programmer et veut apprendre l’audio et la génération sonore : même sans connaissances musicales, cela peut être utile dans le contexte d’autres types de signaux.
Bonne référence : c’est une bonne ressource.
Remerciements : bonne ressource, merci.
Référence complémentaire : la page web de Dan Ellis à l’université Columbia, ainsi que l’excellent librosa, valent aussi le détour.