Μελάνης, ΓεώργιοςMelanis, Georgios2026-02-022026-02-022026-02-01https://hdl.handle.net/10889/31154Η πρόβλεψη της εμπορικής επιτυχίας ενός μουσικού κομματιού αποτελεί κεντρική πρόκληση στη σύγχρονη μουσική βιομηχανία. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της δημοτικότητας τραγουδιών, βασιζόμενη κυρίως σε ηχητικά χαρακτηριστικά. Χρησιμοποιώντας το Track Popularity Dataset (TPD), υλοποιήθηκε μια cloud-native αρχιτεκτονική με DataStax Astra DB για την αποθήκευση και Apache PySpark για την κατανεμημένη επεξεργασία. Εξετάστηκαν αλγόριθμοι όπως η Γραμμική Παλινδρόμηση, οι μέθοδοι κανονικοποίησης Ridge και Lasso, και το Random Forest, σε συνδυασμό με τεχνικές προεπεξεργασίας όπως η επιλογή χαρακτηριστικών. Τα αποτελέσματα ανέδειξαν την ανωτερότητα των μη-γραμμικών μοντέλων. Η ανάλυση σημαντικότητας ανέδειξε τον κυρίαρχο ρόλο του ρυθμού και της χροιάς. Η έρευνα καταλήγει στο συμπέρασμα ότι, ενώ τα ηχητικά χαρακτηριστικά διαθέτουν σημαντική προγνωστική ισχύ, ένα μεγάλο μέρος της δημοτικότητας καθορίζεται από εξωγενείς παράγοντες.elΜουσική εμπορική επιτυχίαΔημοτικότητα τραγουδιώνHit song scienceTrack popularity datasetAudio feature engineeringCloud-based ML pipeline