In this work, a re-design of the Moodledata module functionalities is presented to share learning objects between e-learning content platforms, e.g., Moodle and G-Lorep, in a linkable object format. The e-learning courses content of the Drupal-based Content Management System G-Lorep for academic learning is exchanged designing an object incorporating metadata to support the reuse and the classification in its context. In such an Artificial Intelligence environment, the exchange of Linkable Learning Objects can be used for dialogue between Learning Systems to obtain information, especially with the use of semantic or structural similarity measures to enhance the existent Taxonomy Assistant for advanced automated classification.

本文的目的是比较医学声学任务中不同可学习的前端。已经实施了一个框架，以将人类的呼吸道声音和心跳分为两类，即健康或受病理影响。在获得两个合适的数据集后，我们开始使用两个可学习的前端（叶子和nnaudio）对声音进行分类，以及一个不可学习的基线前端，即mel-Filterbanks。然后，计算出的功能将被馈送到两种不同的CNN模型中，即VGG16和EfficityNet。前端根据参数，计算资源和有效性的数量进行了仔细的基准测试。这项工作表明了神经音频分类系统中可学习前端的整合如何提高性能，尤其是在医学声学领域。但是，此类框架的使用使所需的数据数量更大。因此，如果可用于培训的数据量足够大以帮助特征学习过程，则它们很有用。

本文提出了一种基于机器学习的方法，旨在提醒患者可能呼吸道疾病。各种类型的病理可能会影响呼吸系统，可能导致严重疾病，在某些情况下死亡。通常，有效的预防实践被视为改善患者健康状况的主要参与者。提出的方法致力于实现一种易于使用的工具，以自动诊断呼吸道疾病。具体而言，该方法利用变异自动编码器体系结构允许使用有限的复杂性和相对较小的数据集的培训管道。重要的是，它的精度为57％，这与现有的强烈监督方法一致。

在最先进的心理学研究中，我们注意到，用现有的自动音乐转录（AMT）方法转录的钢琴表演不能成功地重新合成，而不会影响表演的艺术内容。这是由于1）不同乐器使用的MIDI参数之间的不同映射，以及2）音乐家适应周围声学环境的方式。为了面对这个问题，我们提出了一种方法来构建特定于声学的AMT系统，该系统能够模拟音乐家对传达其解释的适应性的建模。具体而言，我们在模块化体系结构中量身定制的虚拟仪器模型，该模型将音频记录和相对对齐的音乐得分作为输入，并输出每个音符的声学特定速度。我们测试不同的模型形状，并表明所提出的方法通常优于通常的AMT管道，该管道不考虑仪器和声学环境的特殊性。有趣的是，这种方法可以简单地扩展，因为仅需要轻微的努力来训练模型来推断其他钢琴参数，例如踩踏。