Análisis de tendencias musicales globales: extracción y visualización de datos de Spotify con AWS y Power BI
Notice bibliographique
Résumé
El trabajo consiste en el desarrollo de un sistema automatizado el cual se encarga de recopilar, almacenar, transformar y mostrar datos musicales sobre las diez canciones más escuchadas de Spotify de diez países elegidos (España, Italia, Alemania, Francia, Reino Unido, Estados Unidos, Canadá, Argentina, Brasil y México). El objetivo principal es presentar estos datos de manera accesible y significativa al usuario. Primeramente, para seleccionar los países a estudiar se han tenido en cuenta diversos criterios como la zona geográfica, población, cultura y actividad musical en Spotify. Así, los datos utilizados proporcionarán informes más representativos y completos al usuario. Los datos recopilados se obtienen de la plataforma Spotify® utilizando su API web oficial (Application Programming Interface). Estos datos se almacenan en la nube de Amazon Web Services® (AWS), concretamente en una base de datos Amazon DynamoDB. Para realizar este proceso de extracción, almacenamiento y transformación de datos se utiliza el servicio AWS Lambda, que permitie ejecutar código en la nube sin necesidad de un servidor, y Amazon S3 (Simple Storage Services) que proporciona servicio de almacenamiento en la nube. La presentación de los datos se realiza a través Power BI, una herramienta de Microsoft® que permite representar gráficamente la información almacenada, lo que facilita la interpretación de los datos al usuario. En resumen, el proyecto busca crear un sistema automatizado que integre tecnologías actuales como los servicios en la nube de AWS, la API web de Spotify y Power BI con el fin de permitir a los usuarios visualizar los datos de manera intuitiva y utilizarlos según sus necesidades. \n \nABSTRACT \n \nThe job involves developing an automated system that is responsible for collecting, storing, transforming, and displaying musical data about the top ten most played songs on Spotify in ten selected countries (Spain, Italy, Germany, France, the United Kingdom, the United States, Canada, Argentina, Brazil, and Mexico). The main goal is to present this data in an accessible and meaningful way to the user. Firstly, in order to select the countries to study, various criteria such as geographic location, population, culture, and musical activity on Spotify have been taken into account. This data provides the user with more representative and comprehensive reports. The collected data is extracted from the Spotify® platform using its official web API. This data is stored in the Amazon Web Services® (AWS) cloud, specifically in an Amazon DynamoDB database. To perform this process of data extraction, storage, and transformation, AWS Lambda service is used, allowing code execution in the cloud without the need for a server, and Amazon S3 (Simple Storage Services) provide cloud storage service. The data presentation is carried out through Power BI, a Microsoft® tool that allows for graphical representation of the stored information, making it easier for the user to interpret the data. In summary, the project aims to create an automated system that integrates current technologies such as AWS cloud services, Spotify web API, and Power BI in order to enable users to intuitively visualize the data and use it according to their needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».