Note ABES Assisting Western Popular Music Guitar Practice and Tablature Composition with Machine Learning Assister la pratique de la guitare et la composition de tablatures en musiques actuelles occidentales par apprentissage automatique Informatique musicale Apprentissage automatique Tablatures de Guitare Musique Assistée par Ordinateur Musiques Actuelles Occidentales Apprentissage Musical Music Information Retrieval Machine Learning Guitar Tablatures Computer Music Western Popular Music Music Learning Informatique musicale Composition musicale assistée par ordinateur Guitare Tablatures Études et exercices (musique) Apprentissage automatique Les guitaristes jouant des Musiques Actuelles Occidentales sont généralement peu formés en théorie musicale, une grande partie de leur apprentissage étant autonome et informel.Pour apprendre de nouveaux morceaux ou les partager avec d'autres guitaristes, ils ont souvent recours à des enregistrements audio et à des tablatures.Quant à la composition de nouveaux morceaux, celle-ci est généralement réalisée directement sur la guitare, en jammant et expérimentant, seul ou en groupe.Cette thèse vise à explorer de nouvelles méthodes algorithmiques susceptibles d'aider les guitaristes lors des phases d'apprentissage et de composition.L'assistance à l'apprentissage est motivée par la quantité importante de contenu guitaristique disponible en ligne, et vise à aider les guitaristes à naviguer ce contenu afin de faciliter l'apprentissage informel.Une première approche est proposée pour recommander des morceaux aux apprenants, en prenant en compte une estimation de leur niveau et de la difficulté des morceaux.Une deuxième approche propose des descripteurs musicaux permettant d'estimer automatiquement la difficulté de tablatures de guitare et de basse selon plusieurs critères, tout en garantissant l'explicabilité et l'interprétabilité des résultats.Les deux approches reposent sur de nouvelles bases de données, déjà partagées ou en cours de partage avec la communauté scientifique.Habituellement, une tablature d'une composition musicale n'est écrite qu'après la phase de création musicale, afin de transcrire les morceaux à des fins de mémorisation et de communication.D'autres contributions de cette thèse s'intéressent à l'assistance à la composition, avec pour objectif d'inciter les guitaristes à composer à l'aide de tablatures, en enrichissant les logiciels de notation par des fonctionnalités d'apprentissage automatique.Un premier modèle permet de suggérer l'ajout de notes tirées (bends) dans une tablature, afin de la rendre plus idiomatique. Ce modèle a été intégré à un logiciel de notation de tablatures en ligne afin d'illustrer son intégration possible dans le travail des guitaristes-compositeurs.D'autres contributions se concentrent sur les parties d'accompagnement à la guitare.Un modèle de suggestion de positions d'accords, basé sur la position précédente, est proposé et évalué à l'aide de nouvelles mesures qualitatives.Ce travail a constitué une première étape ayant conduit au développement d'un modèle transformer ainsi que d'un modèle déterministe, permettant de générer des continuations possibles d'une mesure de guitare rythmique, au format tablature. Ces deux modèles ont été évalués quantitativement, mais aussi qualitativement par des participants externes via une enquête en ligne.Enfin, un autre transformer est proposé pour générer des tablatures de basse à partir d'une piste de guitare rythmique existante, afin d'assister les guitaristes-compositeurs qui ne sont pas bassistes. Guitarists who play Western Popular Music (WPM) are usually little trained in music theory, a great part of their learning being autonomous and informal.To learn new songs or share them to other guitarists, they will commonly resort to audio recordings and tablatures.When it comes to composing new songs, it is usually conducted directly with the guitar through jamming and experimenting, alone or in a band.This thesis aims at exploring new computational methods that could assist guitarists both in the learning and compositional phases.Learning assistance is motivated by the large quantity of guitar resources available online, and aimsat helping guitarists navigate them to ease informal learning.A first algorithmic approach was proposed to make song recommendations to learners that are conditioned bydifficulty ratings of the songs and the learner's level estimate.A second approach proposes musical features to automatically estimate the difficulty of bass and guitartablatures on multiple criteria, while guaranteeing explainability and interpretability.Both approaches are based on new datasets that are or will be shared openly to the research community.Normally, tablatures of composed songs are only written in a later stage to transcribe the songs, for memorisation and communication purposes.Other contributions of this thesis propose ways to assist with composition, the objective being to motivateguitarists to use tablatures during the composition process by augmenting tablature notation software with Machine Learning (ML) functionalities.A first model permits suggesting where to add emph{bends} in a tablature, in order to make it more idiomaticof WPM guitar playing. The ML model was integrated in an online tablature notation software to illustrate how it could fit guitarist-composers' workflow.Other contributions focus on guitar accompaniment parts.A model for suggesting a guitar chord position, given the previous one, is introduced and tested with aset of newly introduced quantitative metrics.This work was used as a first step that led to the development of a transformer and a rule-based model that generate possible continuations of an existing bar of rhythm guitar, in tablature format. Both models were evaluated quantitatively, but also qualitatively by external participants through an online survey.Finally, another transformer model is proposed for generating bass tablatures, given an existing rhythm guitar track, to assist guitarist-composers who are not bass players. Electronic Thesis or Dissertation Text en PDF 30799599 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB017.pdf http://www.theses.fr/2025ULILB017/abes https://theses.hal.science/tel-05466245 https://theses.hal.science/tel-05466245 https://theses.hal.science/tel-05466245 D'Hooge Alexandre D'Hooge 1998-10-02 FR 293149380 https://theses.fr/2025ULILB017 2025ULILB017 https://doi.org/10.70675/06264cdbzc47dz475fz85b7z58f1271ca7ef 2025-10-09 Informatique et applications Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Giraud Mathieu MADS_DIRECTEUR_DE_THESE_1 094640610 Bigo Louis MADS_DIRECTEUR_DE_THESE_2 193516691 Déguernel Ken MADS_DIRECTEUR_DE_THESE_3 224952110 Bardenet Rémi MADS_PRESIDENT_DU_JURY 166323217 Herremans Dorien MADS_MEMBRE_DU_JURY_1 258270012 Barbancho Pérez Isabel MADS_MEMBRE_DU_JURY_2 179231227 Assayag Gérard MADS_RAPPORTEUR_1 069359326 Michon Romain MADS_RAPPORTEUR_2 282404465 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 410272 18388695X École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....) MADS_PARTENAIRE_DE_RECHERCHE_2 028237080 ddc:004 Giraud Mathieu Bigo Louis Déguernel Ken Bardenet Rémi Herremans Dorien Barbancho Pérez Isabel Assayag Gérard Michon Romain École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre de Recherche en Informatique, Signal et Automatique de Lille École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....) PDF 30799599