This is an iris dataset commonly used in machine learning. Accessed on 10-19-2020 from the following URL: http://faculty.smu.edu/tfomby/eco5385_eco6380/data/Iris.xls

Iris Species Dataset

The Iris dataset was used in R.A. Fisher's classic 1936 paper, The Use of Multiple Measurements in Taxonomic Problems, and can also be found on the UCI Machine Learning Repository. It includes three iris species with 50 samples each as well as some properties about each flower. One flower species is linearly separable from the other two, but the other two are not linearly separable from each other. The dataset is taken from UCI Machine Learning Repository's… See the full description on the dataset page: https://huggingface.co/datasets/scikit-learn/iris.

This is perhaps the best known database to be found in the pattern recognition literature. Fisher's paper is a classic in the field and is referenced frequently to this day. (See Duda & Hart, for example.) The data set contains 3 classes of 50 instances each, where each class refers to a type of iris plant. One class is linearly separable from the other 2; the latter are NOT linearly separable from each other.

To use this dataset:

import tensorflow_datasets as tfds

ds = tfds.load('iris', split='train')
for ex in ds.take(4):
 print(ex)

See the guide for more informations on tensorflow_datasets.

Das Kapitel wendet sich an Interessierte am Thema Klang und Information und setzt keinen besonderen mathematischen Hintergrund im Bereich Datenanalyse voraus. Im Kapitel wird das Gebiet der Sonifikation vorgestellt und es wird motiviert, inwiefern Klänge nützliche Informationen Übertragen und wie diese Eigenschaft zum Verständnis komplexer Daten ausgenutzt werden kann. Dises Webseite bietet Klangbeispiele an, welche im Kapitel vorgestellt und besprochen werden.

Die Sonifikationsbeispiele sind in der Programmiersprache SuperCollider3 erzeugt. Der Programmcode, bzw. wesentliche Auszüge werden jeweils angegeben.

• Der erste Schritt, sofern man die Code-Beipiele selbst nachvollziehen möchte, ist es, SuperCollider zu installieren und nutzen zu lernen. Hinweise hierzu finden sich unter audiosynth.com.
• Für die Programmbeispiele wird angenommen, dass der sc sound server mittels s.boot bereits gestartet wurde.
• Die Klangbeispiele werden zusätzlich im mp3 Format bereitgestellt.

Media files

• Audifikation
• Diskrete Parameter Mapping Sonifikation
• Kontinuierliche Parameter Mapping Sonifikation
• Ereignisbasierte Parameter Mapping Sonifikation
• Hybride Parameter Mapping Sonifikation
• Modellbasierte Sonifikation
• Anwendungsbeispiele

4. Audifikation

Audifikation rekurrenter neuronaler Retinamodelle Im Kapitel wird die Audifikation der Dynamik rekurrenter Neuronaler Netzmodelle besprochen. Grundsätzlich zeigt das Retina-Modell ein oszillierendes Verhalten. Durch Audifikation der Aktivität eines Neurons bei langsamer Änderung der Kopplungskonstante zwischen benachbarten Neuronen haben wir entdeckt, dass diese Oszillationsfrequenz ein interessanter Muster aufweist: sie steigt allmählich an, bleibt aber in einigen Regionen konstant (sog. Frequency-Locking).

Das Bild zeigt ein Spektrogramm der Sonifikation - mit der Zeitachse erhöht sich die Kopplungsstärke linear, dennoch bleibt die Oszillationsfrequenz im Bereich c, e, g, h, etc. konstant!

• Klangbeispiel: RNN (mp3, 72k).

Audifikation von EEG-Daten: Als weiteres Beispiel sei eine Audifikation von EEG-Daten vorgespielt. Ein epileptischer Rhythmus kann hier als verrauschte Pulse gehört werden. Oft sind Audifikationen sehr geräuschhaft und verrauscht.

• Klangbeispiel: EEG (mp3, 12k).

5. Parameter Mapping Sonification

5.1. Diskretes Parameter Mapping

Das Beispiel zeigt diskrete Parameter Mapping Sonifikation des Iris Datasatzes. iris.csv ist der Iris Datensatz mit den Spalten: index, sepal_length, sepal_width, petal_length, petal_width. Im Beispiel wird das folgende Mapping verwendet:

• petal_length wird zum Zeitpunkt des Tons
• sepal_length wird zur Tonhöhe
• petal_width wird zur Schärfe
• sepal_width wird zur Dauer
• class wird zur Stereoposition

Der Code kann beliebige andere csv-Dateien verarbeiten.

SynthDef("syn", { | freq=440, amp=0.2, pan=0, num=1, att=0.02, rel=0.2|
  Out.ar(0, Pan2.ar(
    Blip.ar(freq, num) * EnvGen.kr(Env.perc(att, rel, -4), 1, doneAction: 2), 
    pan,  amp))
}).load(s);
~parmapDiscrete = { |dataset, duration=5|
  Score({ |dataset, duration|
    var score=[], event, stat;
    var onset, freq, pan, num, rel;
    stat = dataset.flop.collect{|col| [col.minItem, col.maxItem]};
    dataset.do{ | row | 
      i=3; onset= row[i].linlin(stat[i][0], stat[i][1], 0, duration); 
      i=1; freq = row[i].linlin(stat[i][0], stat[i][1], 400, 1000); 
      i=4; num = row[i].linlin(stat[i][0], stat[i][1], 1, 10);
      i=2; rel = row[i].linlin(stat[i][0], stat[i][1], 0.1, 1);
      i=5; pan = row[i].linlin(stat[i][0], stat[i][1], -1, 1);  
      event = [onset, 
       [\s_new, \syn, -1, 0, 0, \freq, freq, \pan, pan, 
        \amp, 0.05, 
um, num, \att, 0.001, \rel, rel]];
      score = score ++ [event];
    };
   score;
 }.value(dataset, duration)).sort.play;
}
~ds = CSVFileReader.readInterpret(Document.current.path.dirname++"/iris.csv");
~parmapDiscrete.value(~ds);

Klangbeispiele:

• S1 (mp3, 96k) Die Clusterung der Daten ist hörbar
• S2 (mp3, 60k) Die Clusterung der Daten ist hörbar
• S3 (mp3, 60k) Das Quantisierungsraster dominiert den Rhythmus
• [S4 (mp3