Vyjma tradičních úloh hlubokého učení, mezi které řadíme rozpoznávání vzorů, předpověď cen akcií či strojový překlad, nachází tato metoda praktické využití i v rámci algoritmické kompozice. Tato diplomová práce zkoumá využití generativního modelu k nesupervizovanému učení hudebních stylů z předem selektovaných korpusů a následnou predikci vzorků z odhadované distribuce. Model využívá Long Short-Term Memory neuronovou síť, jejíž trénovací data obsahují žánrově specifické melodie v symbolické reprezentaci. Praktickým cílem této práce je vytvořit autoenkodér pro generování polyfonní hudební transkripce z časové řady užitečný v konkrétním estetickém kontextu skladby.