To see the other types of publications on this topic, follow the link: Maskininlärning.
Dissertations / Theses on the topic 'Maskininlärning'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 dissertations / theses for your research on the topic 'Maskininlärning.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse dissertations / theses on a wide variety of disciplines and organise your bibliography correctly.
1
Pettersson, Gustav, and John Almqvist. "Lavinprognoser och maskininlärning : Att prediktera lavinprognoser med maskininlärning och väderdata." Thesis, Uppsala universitet, Institutionen för informatik och media, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-387205.
Full textAbstract:
Denna forskningsansats undersöker genomförbarheten i att prediktera lavinfara med hjälp av ma-skininlärning i form avXGBoostoch väderdata. Lavinprognoser och meterologisk vädermodelldata harsamlats in för de sex svenska fjällområden där Naturvårdsveket genomlavinprognoser.sepublicerar lavin-prognoser. Lavinprognoserna har hämtats frånlavinprognoser.seoch den vädermodelldata som användsär hämtad från prognosmodellen MESAN, som produceras och tillhandahålls av Sveriges meteorologiskaoch hydrologiska institut. 40 modeller av typenXGBoosthar sedan tränats på denna datamängd, medsyfte att prediktera olika aspekter av en lavinprognos och den övergripande lavinfaran. Resultaten visaratt det möjligt att prediktera den dagligalavinfaranunder säsongen 2018/19 i Södra Jämtlandsfjällenmed en träffsäkerhet på 71% och enmean average errorpå 0,295, genom att applicera maskininlärningpå väderleken för det området. Värdet avXGBoosti sammanhanget har styrkts genom att jämföradessa resultat med resultaten från den enklare metoden logistisk regression, vilken uppvisade en sämreträffsäkerhet på 56% och enmean average errorpå 0,459. Forskningsansatsens bidrag är ett ”proof ofconcept” som visar på genomförbarheten av att med hjälp av maskininlärning och väderdata predikteralavinprognoser.This research project examines the feasibility of using machine learning to predict avalanche dangerby usingXGBoostand openly available weather data. Avalanche forecasts and meterological modelledweather data have been gathered for the six areas in Sweden where Naturvårdsverket throughlavin-prognoser.seissues avalanche forecasts. The avanlanche forecasts are collected fromlavinprognoser.seand the modelled weather data is collected from theMESANmodel, which is produced and providedby the Swedish Meteorological and Hydrological Institute. 40 machine learning models, in the form ofXGBoost, have been trained on this data set, with the goal of assessing the main aspects of an avalan-che forecast and the overall avalanche danger. The results show it is possible to predict the day to dayavalanche danger for the 2018/19 season inSödra Jämtlandsfjällenwith an accuracy of 71% and a MeanAverage Error of 0.256, by applying machine learning to the weather data for that region. The contribu-tion ofXGBoostin this context, is demonstrated by applying the simpler method ofLogistic Regressionon the data set and comparing the results. Thelogistic regressionperforms worse with an accuracy of56% and a Mean Average Error of 0.459. The contribution of this research is a proof of concept, showingfeasibility in predicting avalanche danger in Sweden, with the help of machine learning and weather data.
2
Ermakova, Natalia, and Alicia Bråtner. "Maskininlärning och kvantmekanik." Thesis, KTH, Skolan för teknikvetenskap (SCI), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-255825.
Full textAbstract:
Syftet med rapporten är att redovisa för hur maskininlärning kan användas för att approximera grundtillståndsenergin av kvantsystemet som motsvaras av partikeln i en låda. Ett nätverk med radialbasfunktioner har använts med nätverket som en representation av variationsvågfunktionen. Vikterna i nätverket har uppdaterats så att väntevärdet av energin minimeras. Energiminimeringen har utförts med hjälp av variations-Monte Carlo-metoden. Lösningsmetoden som presenteras har gett en bra approximation för grundtillståndsenergin av partikeln i en låda. Metoden fungerar också när en störning i form av en linjär potential är tillagd till systemet.This thesis aims to use machine learning to solve for the ground state energy of the quantum system corresponding to the particle in a box. A radial basis function (RBF) network is used with Gaussian functions as the variational wave function. The weights in the network are updated so that the energy expectation value is minimized, which is carried out by using the variational Monte Carlo (VMC) method. The method using machine learning succeeds in finding the ground state energy for the particle in a box. The method also works when a perturbation in the form of a linear potential is added to the infinite potential well.
3
Axelsson, Filip, and Marcus Jirwe. "Maskininlärning för kvantmekaniska problem." Thesis, KTH, Skolan för teknikvetenskap (SCI), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-255698.
Full textAbstract:
I den här artikeln undersökts hurvida maskininlärning kan vara till hjälp för att lösa fysika-liska problem. Detta undersöks genom att ett artificiellt neuralt nätverk implementeras ochtränas upp för att hitta energinivåerna för den harmoniska oscillatorn med och utan elekt-riskt fält. För att skapa nätverket användes radiella basfunktioner. Monte Carlo-metoderanvändes för stora beräkningar. Metoden visade sig fungera väl i vissa sammanhang menhade problem för stora elektriska fält. De problem som uppstod var att konvergensen blevinstabil med hopp i energin och att systemet inte alltid konvergerade mot rätt energi.In this article we analyze whether machine learning can be used to help solve problemsin physics. This is examined by implementing an artificial neural network which is trainedto find the energy levels for the quantum harmonic oscillator with and without an externalelectric field. Radial basis functions were used to make the neural network. Monte Carlomethods were used for heavy calculations. The method was shown to work well in somecases but had problems for large electric fields. The problems that occured were that theconvergence became unstable, with leaps in the energy and that the system did not alwaysconverge to the right energy level.
4
L, Thunberg Christian, and Niklas Mannerskog. "Stochastic Gradient Descent inom Maskininlärning." Thesis, KTH, Skolan för teknikvetenskap (SCI), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-254799.
Full textAbstract:
Vissa problem som för människor är enkla att lösa, till exempel: att känna igen siffror och sagda ord, är svårt att implementera i datorprogram. Till exempel, den mänskliga intuitionen att känna igen siffran åtta ’’\textit{8}’’ är att notera två slingor ovanpå varandra, detta visar sig vara svårt att representera som en algoritm. Med maskininlärning är det möjligt att angripa problemet på ett nytt, enklare, sätt där datorprogrammet lärs att känna igen utformningar som datorprogrammet drar slutsatser från. I denna kandidatuppsats implementeras ett sifferigenkänningsprogram och parametrarna i ’’stochastic gradient descent’’ analyseras i deras påverkan av programmets beräkningshastighet och träffsäkerhet. Dessa parametrar är ’’learning rate’’ $\Delta t$ och ’’batch size’’ $N$. Det implementerade programmet för sifferigenkänning hade en träffsäkerhet på omkring 95 \% när det testades och tiden per iteration var konstant under träningen av programmet, samtidigt som den ökade linjärt med ökad batch size. Låga learning rates resulterade i låg men stadig konvergens medans större resulterade i snabbare men mer instabil konvergens. Större batch sizes förbättrade konvergensen men på bekostnad av längre beräkningstid.Some tasks, like recognizing digits and spoken words, are simple for humans to complete yet hard to solve for computer programs. For instance the human intuition behind recognizing the number eight, ''\textit{8}'', is to identify two loops on top of each other and it turns out this is not easy to represent as an algorithm. With machine learning one can tackle the problem in a new, easier, way where the computer program learns to recognize patterns and make conclusions from them. In this bachelor thesis a digit recognizing program is implemented and the parameters of the stochastic gradient descent optimizing algorithm are analyzed based on how their effect on the computation speed and accuracy. These parameters being the learning rate $\Delta t$ and batch size $N$. The implemented digit recognizing program yielded an accuracy of around $95$ \% when tested and the time per iteration stayed constant during the training session and increased linearly with batch size. Low learning rates yielded a slower rate of convergence while larger ones yielded faster but more unstable convergence. Larger batch sizes also improved the convergence but at the cost of more computational power.
5
Vestberg, Albin. "Modellering av åsiktsdynamik med maskininlärning." Thesis, KTH, Skolan för teknikvetenskap (SCI), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-255690.
Full textAbstract:
Åsiktsdynamik handlar om hur åsikter hos personer, även kallade agenter, i en grupp förändras med tiden. Syftet med arbetet var att ta reda på om det är möjligt att använda maskininlärning med artificiella neuronnät för att utifrån ett givet initialtillstånd beräkna hur åsiktsdynamiken kommer se ut för agenterna i gruppen. Tusentals initialtillstånd för agenternas åsikter slumpades fram och dynamiken beräknades enligt en modell från R. Hegselmann och U. Krause. De beräknade lösningarna användes sedan som data för träning av artificiella neuronnät. När de tränade neuronnäten sedan användes på helt nya initialtillstånd kunde dessa, med varierande resultat beroende på metod och antal agenter, återskapa åsiktsdynamiken och ge lösningar som låg nära de rätta lösningarna. Antalet agenter som undersöktes var mellan två och tio. Bäst resultat blev det när grupper med två agenter undersöktes. Ju fler agenter som fanns i gruppen desto större blev felen i lösningarna med maskininlärning, men lösningarna hade ändå tillräckligt små fel för att de kan anses ha lyckats med att återskapa åsiktsdynamiken.Opinion dynamics is about how opinions of people, also called agents, in a group changes in time. The aim of this report was to find out if it is possible to use machine learning with artificial neural networks to, from a given initial condition, compute the opinion dynamics for the agents in the group. Thousands of random initial conditions were generated and the dynamics were calculated using a model from R. Hegselmann and U. Krause. The solutions were then used as data to train artificial neural networks. When the trained neural networks were used on new initial conditions it was found that these could, with varying results depending on the method and number of agents, recreate the opinion dynamics and give answers that were close to the real solutions. The number of agents used were between two and ten. The best results were obtained when groups with two agents were examined. When the number of agents increased the errors in the solutions with machine learning also increased, but the errors were still small enough so that the solutions can be considered as good recreations of the opinion dynamics.
6
Holmäng, Arvid, and Grothusen Axel von. "Intäktsestimering med hjälp av Maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-299340.
Full textAbstract:
Detta arbete undersöker möjligheten att estimera intäkter för företag med hjälp av maskininlärning. Datan som modellerna utgår ifrån består av punkter från bolagens balansräkningar och annan offentlig data. Eftersom frågeställningen som arbetet utreder ar outforskad sedan tidigare ligger arbetets huvudsakliga fokus på att utforska vilka metoder som är mest lämpliga för uppgiften samt vilka särdrag i datasetet som har störst inverkan på modellerna. I arbetet utreds frågan med hjälp av fyra olika modeller; Random Forest regression, XGBoost, Minstakvadratmetoden och Lasso. Modellerna utvärderades med kvantitativa mättal såsom R2-varde och absoluta genomsnittliga procentuella felet (MAPE). Den algoritm och slutgiltiga modell som presterade bast utifrån dessa mått var Random Forest regression med genomsnittligt R2-score på 0,8197 och MAPE-score på 0.3864. Denna studie drar slutsatsen att ensemble metoder som XGBoost och Random Forest troligtvis ar mer lämpliga att använda för denna typ av studier i jämförelse med simplare regressionsmodeller såsom Minstakvadratmetoden och Lasso. Avslutningsvis dras slutsatsen att modellerna kan bidra till beslutsunderlaget vid utvärdering av bolag för vilka intäkterna är ok ända.This work examines the possibility of estimating revenue for companies using machine learning. The data on which the models are based consists of points from the companies’ balance sheets and other public data. Since the research area is unexplored prior to this study, the main focus of this thesis is to explore which methods are most suitable for the task and which features in the dataset have the greatest impact on the models. In the study, the issue is investigated with the help of four different models; Random Forest regression, XGBoost, ordinary least squares method and Lasso. The models were evaluated with quantitative measures such as R2 score and mean absolute percentage error (MAPE). The algorithm and final model that performed best based on these measures were Random Forest regression with an average R2 score of 0,8197 and MAPE score of 0.3864. This study concludes that ensemble methods such as XGBoost and Random Forest are probably more suitable to use for this type of study compared to simpler regression models such as least squares method and Lasso. In conclusion, the models can contribute to the initial financial analysis of companies for which the income is unknown.
7
Dyremark, Johanna, and Caroline Mayer. "Bedömning av elevuppsatser genom maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-262041.
Full textAbstract:
Betygsättning upptar idag en stor del av lärares arbetstid och det finns en betydande inkonsekvens vid bedömning utförd av olika lärare. Denna studie ämnar undersöka vilken träffsäkerhet som en automtiserad bedömningsmodell kan uppnå. Tre maskininlärningsmodeller för klassifikation i form av Linear Discriminant Analysis, K-Nearest Neighbor och Random Forest tränas och testas med femfaldig korsvalidering på uppsatser från nationella prov i svenska. Klassificeringen baseras på språk och formrelaterade attribut inkluderande ord och teckenvisa längdmått, likhet med texter av olika formalitetsgrad och grammatikrelaterade mått. Detta utmynnar i ett maximalt quadratic weighted kappa-värde på 0,4829 och identisk överensstämmelse med expertgivna betyg i 57,53 % av fallen. Dessa resultat uppnåddes av en modell baserad på Linear Discriminant Analysis och uppvisar en högre korrelation med expertgivna betyg än en ordinarie lärare. Trots pågående digitalisering inom skolväsendet kvarstår ett antal hinder innan fullständigt maskininlärningsbaserad bedömning kan realiseras, såsom användarnas inställning till tekniken, etiska dilemman och teknikens svårigheter med förståelse av semantik. En delvis integrerad automatisk betygssättning har dock potential att identifiera uppsatser där behov av dubbelrättning föreligger, vilket kan öka överensstämmelsen vid storskaliga prov till en låg kostnad.Today, a large amount of a teacher’s workload is comprised of essay scoring and there is a large variability between teachers’ gradings. This report aims to examine what accuracy can be acceived with an automated essay scoring system for Swedish. Three following machine learning models for classification are trained and tested with 5-fold cross-validation on essays from Swedish national tests: Linear Discriminant Analysis, K-Nearest Neighbour and Random Forest. Essays are classified based on 31 language structure related attributes such as token-based length measures, similarity to texts with different formal levels and use of grammar. The results show a maximal quadratic weighted kappa value of 0.4829 and a grading identical to expert’s assessment in 57.53% of all tests. These results were achieved by a model based on Linear Discriminant Analysis and showed higher inter-rater reliability with expert grading than a local teacher. Despite an ongoing digitilization within the Swedish educational system, there are a number of obstacles preventing a complete automization of essay scoring such as users’ attitude, ethical issues and the current techniques difficulties in understanding semantics. Nevertheless, a partial integration of automatic essay scoring has potential to effectively identify essays suitable for double grading which can increase the consistency of large-scale tests to a low cost.
8
Jansson, Christofer, and Sebastian Karlsson. "Maskininlärning inom bokförings- och faktureringssystem." Thesis, Linnéuniversitetet, Institutionen för informatik (IK), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-66841.
Full textAbstract:
The study has a purpose designed to investigate within which framework automation of accounting and billing systems processes is possible through machine learning, as a result of providing guidance for when and where an implementation is relevant in the systems. For the study, a data collection has been carried out on a company that offers accounting and billing systems and works within the machine learning area. Interviews have been made at the company conducted to capture relevant empirical results. Aspects categorized from collected data are presented in possibilities, implementation, ethics and alternative approaches. Together with literature studies, the empirical categories have been analyzed and four frameworks identified. The frameworks identified are: competitiveness, technical factors, knowledge and skills as well as impact on occupational groups.Each frame contains information and examples of factors that should be considered. Companies can investigate important aspects of when and where an implementation of machine learning is possible and relevant in accounting and billing systems.Studien har ett utformat syfte som handlar om att undersöka inom vilka ramar automatisering av processer inom bokförings- och faktureringssystem är möjligt med hjälp av maskininlärning, med anledning av att skapa en vägledning för när och var en implementation är relevant i systemen. För studien har en datainsamling utförts på ett företag som erbjuder bokförings- och faktureringssystem samt arbetar med maskininlärning för området. Hos verksamheten har intervjuer utförts för att fånga in relevant empiri som resultat. Aspekter som kategoriserats från insamlad data presenteras i möjligheter, implementering, etik och alternativa tillvägagångssätt. Tillsammans med litteraturstudier har kategorierna ur empirin analyserats och fyra ramar identifierats. Ramarna som identifierats är följande: konkurrenskraft, tekniska faktorer, kunskap och kompetens samt påverkan på yrkesgrupper.Varje ram innehåller information och exempel på faktorer som bör beaktas. Företag kan med hjälp av ramarna utreda viktiga aspekter gällande när och var en implementation av maskininlärning är möjlig och relevant i bokförings- och faktureringssystem.
9
Ogeborg, Marcus, and Vincent Widerberg. "Schemaläggning med hjälp av maskininlärning." Thesis, KTH, Data- och elektroteknik, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-208936.
Full textAbstract:
Detta arbete har utvärderat om maskininlärning kan tillföra nytta vid schemaplanering.Utvärderingen baserades på tester där prototyper använde arbetskalendrar föratt träna och mäta sin prediktiva förmåga. Kalendrarna tillhandahölls från två service-och installationsbolag i Stockholmsområdet. Genom att testa vilka utförandetiderprototyperna krävde utvärderades om tillämpningen skulle vara praktiskt användbarpå arbetsverktyg som exempelvis smartphones.Totalt utvecklades tre prototyper som gjordes prediktiva med hjälp av algoritmernaDensity-based Spatial Clustering of Applications with Noise (DBSCAN), LogisticRegression och Weighted K-Nearest Neighbors (wKNN). Resultatet visade attDBSCAN var den algoritm som sammantaget presterade bäst. Dock kunde inte enslutsats dras om maskininlärning skulle vara användbart. Andelen lyckade prediktioneröverskred inte andelen tillgängliga tider på de berörda dagarna som testernautfördes, vilket antogs vara ett otillfredsställande resultat. Datahanteringen krävdeen betydande mängd resurser, vilket skulle kunna vara ett problem vid praktisk tilllämpning.This study has been analyzing if machine learning could be useful to work-relatedscheduling. The analysis was based on predictions generated by prototypes usingbusiness calendars. The business calendars were collected from two service and installationcompanies in the Stockholm region. An analysis was conducted regardingif the application could be practically applied to devices such as a smartphone. Theanalysis was based on tests regarding the prototypes required time to perform theirtasks.Three prototypes were developed with algorithms that made them predictive. Density-based Spatial Clustering of Applications with Noise (DBSCAN), Logistic Regressionand Weighted K-Nearest Neighbors (wKNN) were the implemented algorithms.DBSCAN was the best-performing algorithm according to the tests. However, a conclusioncould not be found concerning whether machine learning could be useful.The number of successful predictions did not exceed the number of available timeson concerned days, which was assumed as unsatisfying results. In addition, the prototypesneeded a significant amount of resources which could be a problem in practicaluse.
10
Fürsten, Cardell Joshua, and Maya Källström. "Maskininlärning inom digital marknadsföring : En studie om hur maskininlärning hjälper eller stjälper digitala marknadsföringsbyråer, och vilka faktorer som bör tas i beaktning vid användning av maskininlärning." Thesis, Södertörns högskola, Medieteknik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:sh:diva-44948.
Full textAbstract:
Problem: Although AI tools have come to facilitate and influence digital marketing in several ways, there is a continuing need for research on how AI can alleviate marketing problems and how the use of AI tools for marketing purposes can be facilitated for digital marketing agencies. Purpose: The purpose of the study is to demonstrate how and why machine learning can both benefit and harm digital marketing agencies, as well as what factors digital marketing agencies need to take into account if they intend to use machine learning in digital marketing. Method: The study is based on a qualitative research strategy, with an inductive approach where six semi-structured interviews were conducted. Semi-structured interviews have been conducted to create flexibility in the individual being interviewed, and thus new insights and thoughts can arise. Thematic analysis has been used as an analysis method for the study, where the focus was aimed on identifying patterns and themes. Conclusion: Machine learning can benefit digital marketing agencies in digital marketing by streamlining work procedures by processing data and information, freeing up time for employees and also gaining the opportunity to achieve competitive advantage. Machine learning can harm digital marketing agencies in digital marketing by excluding human participants in the work system, reducing trust in the organization and creating discomfort with active personalization if used unethically. Factors that should be taken into account by digital marketing agencies if they intend to use machine learning in digital marketing are, that digital marketing agencies can not replace human interaction, human integrity is important insofar as digital marketing agencies follow laws and regulations, the size of the business determines which priorities is made between using previous knowledge and new technology, organizations need to be transparent and AI must be used throughout the organization in order for the organization to benefit in the long termProblem: Trots att AI-verktyg har kommit att underlätta samt påverka den digitala marknadsföringen på flertalet olika sätt, så finns det ett fortsatt behov för forskning kring hur AI kan underlätta marknadsföringsproblem samt hur användningen av AI-verktyg i marknadsföringssyfte kan underlättas för digitala marknadsföringsbyråer. Syfte: Studiens syfte är att påvisa hur och varför maskininlärning både hjälper och stjälper digitala marknadsföringsbyråer, samt vilka faktorer som digitala marknadsföringsbyråer behöver ta i beaktning om de avser att använda maskininlärning inom digital marknadsföring. Metod: Studien utgår från en kvalitativ forskningsstrategi, med ett induktivt tillvägagångssätt där sex genomförda semistrukturerade intervjuer utförts. Semistrukturerade intervjuer har genomförts för att skapa flexibilitet hos individen som blir intervjuad, och således kan nya insikter och tankar uppstå. Tematisk analys har använts som analysmetod för studien, där fokus legat på att identifiera mönster och teman. Slutsats: Maskininlärning hjälper digitala marknadsföringsbyråer inom digital marknadsföring med att effektivisera arbetsprocesser genom att bearbeta data och information, frigöra tid för anställda samt möjligheten att erhålla konkurrensfördelar. Maskininlärning stjälper digitala marknadsföringsbyråer inom digital marknadsföring genom att exkludera mänskliga deltagare inom arbetssystemet, minska förtroende för organisationen samt skapa obehag vid aktiv personalisering om det används oetiskt. Faktorer som bör tas i beaktning av digitala marknadsföringsbyråer om de avser att använda maskininlärning inom digital marknadsföring är att digitala marknadsföringsbyråer inte kan ersätta mänsklig interaktion, mänsklig integritet är viktigt i det mån att digitala marknadsföringsbyråer efterföljer lagar och regler, storleken av verksamheten avgör vilka prioriteringar som görs mellan att nyttja tidigare kunskap och ny teknologi, organisationer behöver vara transparenta och AI måste nyttjas genomgående i organisationen för att organisationen ska gynnas på lång sikt.
11
Dufberg, Johan. "Automatisk dokumentklassificering med hjälp av maskininlärning." Thesis, Örebro universitet, Institutionen för naturvetenskap och teknik, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-67228.
Full textAbstract:
Att manuellt hantera och klassificera stora mängder textdokument tar mycket tid och kräver mycket personal, att göra detta med hjälp av maskininlärning är för ändamålet ett alternativ. Det här arbetet önskar ge läsaren en grundläggande inblick i hur automatisk klassificering av texter fungerar, samt ge en lätt samanställning av några av de vanligt förekommande algoritmerna för ändamålet. De exempel som visas använder sig av artiklar på engelska om teknik- och finansnyheter, men arbetet har avstamp i frågan om mognadsgrad av tekniken för hantering av svenska officiella dokument. Första delen är den vetenskapliga bakgrund som den andra delen vilar på, här beskrivs flera algoritmer och tekniker som sedan används i praktiska exempel. Rapporten ämnar inte beskriva en färdig produkt, utan fungerar så som ”proof of concept” för textklassificeringens användning. Avslutningsvis diskuteras resultaten från de tester som gjorts, och en av slutsatserna är att när det finns tillräckligt med data kan en enkel klassificerare prestera nästan likvärdigt med en tekniskt sett mer utvecklad och komplex klassificerare. Relateras prestandan hos klassificeraren till tidsåtgången visar detta på att komplexa klassificerare kräver hårdvara med hög beräkningskapacitet och mycket minne för att vara gångbara.To manually handle and classify large quantities of text documents, takes a lot of time and demands a large staff, to use machine learning for this purpose is an alternative. This thesis aims to give the reader a fundamental insight in how automatic classification of texts work and give a quick overview of the most common algorithms used for this purpose. The examples that are shown uses news articles in English about tech and finance, but the thesis takes a start in the question about how mature the technique is for handling official Swedish documents. The first part is the scientific background on which the second part rests, here several algorithms and techniques are described which is used in practice later. The report does not aim to describe a product in any form but acts as a “proof of concept” for the use of text classification. Finally, the results from the tests are discussed, and one of the conclusions drawn is that when data is abundant a relatively simple classifier can perform close to equal to a technically more developed and complex classifier. If the performance of the classifier is related to the time taken this indicates that complex classifiers need hardware with high computational power and a fair bit of memory for the classifier to be viable.
12
Andersson, Henrik, Robin Andersson, Leif Eriksson, Alfred Hagberg, Jonathan Lundgren, Mustaf Musse, and Eric Nylander. "Maskininlärning för automatisk matchning av produkter." Thesis, Linköpings universitet, Institutionen för datavetenskap, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-148836.
Full textAbstract:
Denna rapport behandlar det kandidatarbete som har utförts av sju studenter från civilin-genjörsprogrammen datateknik och mjukvaruteknik på Tekniska högskolan vid Linköpingsuniversitet. Projektets mål var att ta fram ett system som via maskininlärning automatisktskapade matchningar mellan företagets interna basprodukter och produkter från diverse le-verantörer. Beställningen av systemet gjordes av Byggvarulistan i Sverige AB. Det utvecklade systemet ska lösa problemet företaget hade med att behöva göra alla match-ningar manuellt. Systemet innehåller en maskininlärningsdel som utför matchningarna ochett administrationsgränssnitt för att korrigera och acceptera dessa matchningar. Utvecklingenav systemet har behövts anpassas till de rådande förutsättningarna med visst brus i kundensdatabas. Graden av nytta som kunden kommer utvinna från systemet beror därför delvispå hur kvaliteten på databasens innehåll kan förbättras för att ge bättre förutsättningar tillmatchningssystemet. Rapporten beskriver hur utvecklingen av systemet har skett samt vad det slutgiltiga systemetblev. Detta gjordes utifrån en analys av de använda utvecklingsprocesserna och det slutgil-tiga systemet i ett bredare sammanhang. Det finns även sju individuella bidrag från varderaprojektmedlem där denne utvärderar ett arbetsmetod, algoritm, roll eller liknande relaterattill projektet.
13
Sandh, Oskar. "MASKININLÄRNING FÖR PREDIKTIV DATAANALYS OCH VISUALISERING." Thesis, Örebro universitet, Institutionen för naturvetenskap och teknik, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-79467.
Full textAbstract:
Machine learning has a big influence over many different industries. A lot of research has already been done within this subject, and even more will be done in the future. This project aims to examine certain machine learning models in the context of a retail company. The analysis is limited to ten different regression model types, that is tested over six different datasets that is further divided into subsets. These models will be judged after their calculated RMSE (Root Mean Square Error) value and a comparison between these results will be made. In the end certain conclusions will be drawn from these results. In addition to this analysis, the report will also describe the development of an application that has the purpose of presenting certain prediction insights to a client. A lot of the project focus has not been on this application, but the report will cover how the foundation was laid, and how its primary parts were developed.Maskininlärning ett stort inflytande över många branscher. Mycket forskning har gjorts inom detta ämne, och ännu mer kommer att göras i framtiden. Detta projekt syftar på att undersöka maskininlärningsmodeller i kontexten för ett detaljhandelsföretag. Analysen begränsas till tio olika regressionsvarianter som testas över 6 olika datamängder, indelade i ytterligare delmängder. Modellerna kommer att bedömas efter dess uträknade RMSE (Root Mean Square Error) värde och en jämförelse kommer att göras utifrån dessa. I slutändan så kommer vissa slutsatser att dras utifrån undersökningens resultat. Utöver denna analys, så kommer även rapporten att beskriva utvecklingen av en applikation som har syftet att presentera prediktionsinsikter för en kund. Stor fokus har inte legat på denna del under projektets gång, men rapporten kommer berätta om hur grunden och dess primära delar har utvecklats.
14
Carlstein, Mikael, and Kim Vigren. "Matcha platsannonser och arbetssökande med maskininlärning." Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20920.
Full textAbstract:
Uppsatsen syftar till att undersöka möjligheten att matcha arbetssökande och platsannonser efter generella kompetenser. Generella kompetenser behandlar hur arbetssökande agerar i relation till andra, löser sina arbetsuppgifter och agerar i relation till förändring. Under studien bedrevs ett pilotexperiment och tre experiment för att undersöka detta. Resultaten av experimenten gav en indikation av att det är möjligt men att vidare forskning och utveckling krävs för att uppnå bättre resultat. Genom att räkna förekomsten av ord kopplade till generella kompetenser i platsannonser kan de klassificeras efter vilka generella kompetenser de söker, 12282 platsannonser klassificerades genom metoden. Matchningen mellan arbetssökande och platsannons fick en träffsäkerhet på 48,57%, det låga resultatet tyder på att vidare forskning kring jämförelsen mellan en arbetssökande och platsannons är rekommenderad.The paper aims to investigate the possibility of matching job seekers and job advertisements with general competencies. General competencies deal with how job seekers act in relation to others, solve their duties and act in relation to change. During the study, a pilot experiment and three experiments were conducted to investigate this. The results of the experiments provided an indication that it is possible but that further research and development is required to achieve better results. By counting the existence of words linked to general competencies in job advertisements, they can be classified according to which general competencies they seek, 12282 job listings were classified by this method. The match between job seekers and job advertisements received an accuracy of 48.57%, the low result indicates that further research on the comparison between a job applicant and job advertisement is recommended.
15
Järkeborn, Sandra, and Vera Werner. "Automatisering av kundtjänst med maskininlärning : Hur maskininlärning kan användas inom kundtjänst samt hur detta påverkar företagskultur och kundnöjdhet." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-241110.
Full textAbstract:
Artificiell intelligens och maskininlärning är två ämnen som varit mycket aktuella på sistone. Vad som startade som ett banbrytande fenomen är nu inkorporerat i människors vardagliga liv. Trots alla fördelar som kommer med personifiering och ”smarta” egenskaper, finns det också en oro för att världen skall bli för opersonlig och beroende av maskiner. Detta är en utredning som berör dessa ämnen, tillämpad på Parks & Resorts – ett starkt värderingsoch kulturdrivet företag. Syftet är att analysera föroch nackdelar av att automatisera kundtjänsten, och om det är möjligt att göra detta utan att tumma på koncernens värderingar. Resultatet visar att det finns fördelar med att implementera en chatbot, speciellt vad gäller effektivitet, men också att det skulle krävas mycket resurser för att utveckla en som lär bra nog att bibehålla kundtjänstens nuvarande standard.Artificial intelligence and machine learning hasbeen on the radar for a while now. What started as a groundbreaking phenomenon is now incorporated in people's everyday life. With all its benefits regarding personalization and “smart” features, there is also a concern for the world becoming too inhumane, impersonal and dependent of machines. This is an investigation touching upon these issues, applied on Parks & Resorts a highly valueand culture driven company. The purpose was to analyze the pros and cons of automating the customer support, and if it’s possible to do so without cutting corners, taking the company’s values into account. The results show that there are benefits of implementing a chat bot, especially when it comes to being effective, but also that implementing one that is good enough to attain current standards wouldrequire numerous resources.
16
Saveh, Diana. "Anpassning av mobilnotifikationer med hjälp av maskininlärning." Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-36451.
Full textAbstract:
The aim of this study has been to answer the question whether it is possible to obtain notifications that work with the user, instead of against, which can be experienced as stressful and bothersome. To decrease the stressful notifications an application was created which acted as a notification control. The application used machine learning to predict when the user wanted to receive their notifications. For an artificial intelligence to work there needs to be a pattern recognition. In this case the pattern recognition that was used is called the association rule analysis. The association rule analysis used a tree called fp-growth. After the application was made, a usability test was made before and after the installation of the application. The usability test was testing if the user experienced stress and how the application worked. The study showed that screen time decreased by one hour and the number of times the mobile was opened was also reduced. This survey requires more data as it may be that the user was not affected by the application but only randomly used the mobile phone less.Denna studie handlade om att försöka minska störande notifikationer som kan upplevas som stressande och irriterande. Det som skapades var en applikation som agerade som en notifikationskontroll. Denna applikation fungerar med hjälp av maskininlärning som ska förutse när användaren ville ta emot sina notifikationer. Den mönsterigenkännande artificiella intelligensen som användes kallas associationsregelanalys. Associationsregelanalysen använde sig av ett träd som kallas fp-growth. Det gjordes ett användartest före installation av applikationen och ett användartest efter för att se hur användaren upplevde stress men även själva applikationen. Studien visade att skärmtiden minskade med en timme och antalet gånger som mobilen öppnades minskades också. Denna undersökning kräver mer data då det kan vara så att användaren inte blev påverkad av applikationen utan endast slumpmässigt använde mobiltelefonen mindre.
17
Enerstrand, Simon. "Klassificering av kvitton med hjälp av maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-261144.
Full textAbstract:
Maskininlärning nyttjas inom fler och fler områden. Det har potential att ersätta många repetitiva arbetsuppgifter, eller åtminstone förenkla dem. Dokumenthantering inom ekonomisystem är ett område maskininlärning kan hjälpa till med. Det behövs ofta mycket manuell input i olika fält genom att avläsa fakturor eller kvitton. Målet med projektet är att skapa en applikation som nyttjar maskininlärning åt företaget Centsoft AB. Applikationen ska ta emot OCR-tolkad textmassa från en bild på ett kvitto och sedan, med hög säkerhet, kunna avgöra vilken kategori kvittot tillhör. Den här rapporten syftar till att visa utvecklingen av maskininlärningsmodellen i applikationen. Rapporten svarar på frågeställningen: ”Hur kan kvitton klassificeras med hjälp av maskininlärning?”.Undersökningsmetoden fallstudie och projektmetoden MoSCoW tillämpas i projektet. Projektet tar även hänsyn till åtagandetriangeln. Maskininlärningsramverk används för att utvärdera den upptränade modellen. Den tränade modellen klarar av att, med hög säkerhet, tolka kvitton den inte stött på tidigare. För att få en meningsfull tolkning måste kvitton ha i avsikt att tillhöra någon av de åtta tränade kategorierna.Valet av metoder passade bra till projektet för att besvara frågeställningen. Applikationen kan utvecklas vidare och implementeras i fakturahanteringssystemet. Genomförandet av projektet ger kunskap att arbeta med maskininlärningslösningar. Tekniken kan i framtiden appliceras på flera områden.Machine learning is used in more and more areas. It has the potential to replace many repetitive tasks, or at least simplify them. Document management within financial systems is an area machine learning can help with. A lot of manual input is often needed in different fields by reading invoices or receipts. The goal of the project is to create an application that uses machine learning for the company Centsoft AB. The application should receive OCR-interpreted texts from an image of a receipt and then, with high certainty, be able to determine which category the receipt belongs to. This report aims to show the development of the machine learning model in the application. The report answers the question: "How can receipts be classified using machine learning?".The methodology case study and the research method MoSCoW will be applied during the project. The project also considers the triangle method described by Eklund. Machine learning frameworks are used to evaluate the trained model. The trained model can, with high certainty, interpret receipts it has not encountered before. In order to get a meaningful interpretation, receipts must have the intention of belonging to one of the eight trained categories.The choice of methods suited the project well to answer the question. The application can be further developed and be implemented in the invoice management system. The implementation of the project gives knowledge about how to work with machine learning solutions. In the future, the technology can be applied in several areas.
18
Al-Wendawi, Kamal, and Dyar Faradj. "Smartare resursfördelning med hjälp av djup maskininlärning." Thesis, KTH, Hälsoinformatik och logistik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-278066.
Full textAbstract:
Sammanfattning Detta examensarbete har utförts på uppdrag av Stanley Security Sverige AB. Företaget Stanley tillhandahåller en produkt för att beräkna antalet personer i en kö. Produkten detekterar antal personer i en kö med hjälp av en övervakningskamera och djup maskininlärning. Företaget upplever att den befintliga lösningen inte presterar tillräcklig nog för att driftsättas och dessutom inte detekterar med hög noggrannhet. I detta arbete har olika kända objektigenkänningsmodeller undersökts och jämförts, dessutom utfördes undersökning av tidigare arbeten och tester inom området. Resultatet blev en omkonfigurerad modellprototyp som endast detekterar ansikten gentemot de kända modellerna You Only Look Once V3 (YOLOV3) och Single Shot MultiBox Detector (SSD) som detekterar hela kroppen, inklusive andra objekt. Den föreslagna modellen presterade betydligt bättre än de kända modellerna i avseendet att räkna människor i en kö. Resultatet pekar mot att den förslagna modellprototypen kan driftsättas i realtid och användas av Stanelys kunder för att effektivt fördela resurser inom deras företag. Nyckelord maskininlärning, bildbehandling, Python, Darknet, neurala nätverk, djup maskininlärning, YOLOV3, Single Shot MultiBox Detector.AbstractThis thesis has been carried out on behalf of Stanley Security Sverige AB. The company Stanley provides a product to calculate the number of people in a queue. The product detects the number of people in a queue with the help of a surveillance camera and deep machine learning. They find that the existing solution does not perform well enough to be deployed and does not detect with high accuracy. In this work, various known object recognition models have been examined and compared, as well as examination of previous work and tests in the field.The result was a reconfigured model prototype that only detected faces in comparison to known models You Only Look Once V3 (YOLOV3) and Single Shot MultiBox Detector (SSD) that detect the entire human body, in addition to other objects. The proposed model performed significantly better than the known models and had higher accuracy. The results indicate that the proposed model prototype can be deployed in real time and be used by Stanely's customers to efficiently allocate resources within their companies.Keywordsmachine learning, image analysis, Python, Darknet, neural network, deep learning, YOLOV3, Single Shot MultiBox Detector.
19
Larsson, Therése, and Karl Paradis. "Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel." Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20946.
Full textAbstract:
Vi genomför en litteraturstudie där vi studerar och analyserar publikationer inom maskininlärning i kombination med algoritmisk handel. I denna studie undersöker vi vilka typer av data samt vilka maskininlärningstekniker som kunnat visas vara tillämpningsbara vid system för algoritmisk handel. Till vår litteraturstudie använder vi oss av publikationer som är peer-reviewed från trovärdiga databaser. Resultatet visar att det huvudsakligen finns tre typer av data som är av betydelse för algoritmisk handel. Dessa är historisk prisdata, tekniska indikatorer samt den typ av data som ingår i fundamental analys. Historisk prisdata tycks ofta användas som bas för att sedan bearbetas om till andra typer av data. Det vanligaste exemplet på detta är tekniska indikatorer som ofta förekommer som datakälla i system för algoritmisk handel.Vi finner även ett antal maskininlärningstekniker som av tidigare publikationer demonstreras vara tillämpningsbara för algoritmisk handel. Publikationer påvisar att en maskininlärningsteknik kallad SVM (support vector machine) kan tillämpas på tekniska indikatorer och även analys av nyhetsrubriker. Vi påträffar även publikationer som demonstrerar tillämpningen av två typer av neurala nätverk, klassifikationsnätverk samt regressionsnätverk. Dessa nyttjas för att generera trade signals i ett algoritmiskt handelssystem. I vår studie hittar vi också en tillämpning av evolutionär maskininlärning som används för att approximera en lösning på det optimala orderexekveringsproblemet.Vi diskuterar även ett ekonomiskt incitament som missgynnar akademisk öppenhet och publikation av nya upptäckter inom området. Detta existerar på grund av att fördelaktiga resultat kan vara finansiellt gynnsamma att undanhålla.We conduct a literature review in which we study and analyze publications in the area of machine learning in combination with algorithmic trading. In this study we investigate what types of data and which machine learning techniques that are shown to be applicable to systems used for algorithmic trading. For our literature review we use peer-reviewed publications from trustworthy databases. The result shows that we find mainly three types of data that are relevant for algorithmic trading. These are financial data quotes, technical indicators and the types of data that is relevant for fundamental analysis. Financial data quotes often seem to be used as a basis for later processing into other types of data. The most common example of this is technical indicators that are frequently used as a source of data in systems for algorithmic trading.We also find a number of machine learning techniques that have been demonstrated by previous publications to be applicable for algorithmic trading. Publications show that a machine learning technique called SVM (support vector machine) can be applied on technical indicators as well as for analysis of news headlines. We also find publications that demonstrate the application of two types of neural networks, classification and regression network. These are used in order to generate trade signals in an algorithmic trading system. In our study we also find an application of evolutionary machine learning which is used to approximate an optimal solution to the order execution problem. Moreover, we also discuss a financial incentive that disadvantage academic openness and the publications of new discoveries in the relevant area of research. This financial incentive exists because advantageous results may be financially beneficial to withhold.
20
Hjalmarsson, Martin, and Mikael Björkman. "Bedömning av fakturor med hjälp av maskininlärning." Thesis, Örebro universitet, Institutionen för naturvetenskap och teknik, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-64835.
Full textAbstract:
Factoring innebär försäljning av fakturor till tredjepart och därmed möjlighet att få in kapital snabbt och har blivit alltmer populärt bland företag idag. Ett fakturaköp innebär en viss kreditrisk för företaget i de fall som fakturan inte blir betald och som köpare av kapital önskar man att minimera den risken. Aros Kapital erbjuder sina kunder tjänsten factoring. Under detta projekt undersöks möjligheten att använda maskininlärningsmetoder för att bedöma om en faktura är en bra eller dålig investering. Om maskininlärningen visar sig vara bättre än manuell hantering kan även bättre resultat uppnås i form av minskade kreditförluster, köp av fler fakturor och därmed ökad vinst. Fyra maskininlärningsmetoder jämfördes: beslutsträd, slumpmässig skog, Adaboost och djupa neurala nätverk. Utöver jämförelse sinsemellan har metoderna jämförts med Aros befintliga beslut och nuvarande regelmotor. Av de jämförda maskininlärningsmetoderna presterade slumpmässig skog bäst och visade sig bättre än Aros befintliga beslut på de testade fakturorna, slumpmässig skog fick F1-poängen 0,35 och Aros 0,22 .Today, companies can sell their invoices to a third party in order to to quickly capitalize them. This is called factoring. For the financial institute which serve as the third party, the purchase of an invoice infers a certain risk in case the invoice is not paid, a risk the financial institute would like to minimize. Aros Kapital is a financial institute that offers factoring as one of their services. This project at Aros Kapital evaluated the possibility of using machine learning to determine whether or not an invoice will be good investment for the financial institute. If the machine learning algorithm performs better than manual handling and by minimizing credit losses and buying more invoices this could lead to an increase in profit for Aros. Four machine learning algorithms have been compared: decision trees, random forest, Adaboost and deep neural network. Beyond the comparison between the four algorithms, the algorithms were also compared with Aros actual decision and Aros current rule engine solution. The results show that random forest is the best performing algorithm and it also shows a slight improvement on performance compared to Aros actual decision, random forest got an F1- core of 0.35 and Aros 0.22.
21
Lerdell, André, and Simon Shadman. "Maskininlärning inom kundanalys : Prediktion av kundbeteende inom energibranchen." Thesis, Uppsala universitet, Avdelningen för systemteknik, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-376295.
Full textAbstract:
This thesis considers the problem of churn within the electricity distribution sector. More specifically, this study evaluates how supervised machine learning can be used by a Swedish electricity distributor in order to identify customer churn. The data was by provided by the electricity distributor and covered personal, geographical and contract specific information regarding the company’s customers. The provided data was complemented with external data covering the customers’ financial positions. Based on this information the possibility to predict customer churn over a three-month period with a gradient boosted decision tree was evaluated. The results from the proposed models suggests that the possibility to identify customer churn is rather poor and could not be used in a practice. This is believed to be a result of unbalanced class distributions and that the data provided simply is not informative enough to accurately predict customer churn. If more information about the customers is collected, with predictive analyses in mind, the performance of the model is likely to increase.
22
Payerl, Anders. "Tolka musiktecken från bilder : Optisk musikigenkänning med maskininlärning." Thesis, Mittuniversitetet, Avdelningen för informationssystem och -teknologi, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-34063.
Full textAbstract:
The objective of the project was to examine the possibility to use machine lear- ning without prior knowledge of machine learning or of mathematics and if that is possible also explore the possibility to use machine learning to interpret a picture of a piece of sheet music. The capacity of detecting notes from images of sheet music in the produced model was then compared to an existing pro- gram called Audiveris. The result became a model later used in a comparison with the program Audiveris. The comparison resulted in Audiveris finding al- most 100% of the notes but the new model only being able to detect about a third. The reasons for the big difference were probably: first that Audiveris has been in development for many years and secondly that the training data used for the new model wasn’t enough varied and complicated. To further increase the ability of the new model ́s skill the main point would be the need for more trai- ning data at the training of the model. Even then you need to supply a variation in the data ́s content and its degree of difficulty which is more varied then the first training data.Målet med projektet har varit att undersöka om det går att applicera maskininlärning utan att ha kunskaper av maskininlärning och matematik sedan tidigare samt om detta är möjligt också undersöka om det går att använda maskininlärning för att tolka en bild av nottecken för musik. Detta användes sedan för att jämföra dess förmåga att upptäcka noter med ett redan existerande program kallat Audiveris. Metoden som användes var att bilder märktes med information om dess innehåll och sedan användes dessa bilder för att träna en maskininlärningsmodell att tolka bilder av nottecken. Sedan gjordes en manuell jämförelse av Audiveris resultat samt resultatet från maskininlärningsmodellen efter att den tränats på de nya notbilderna. Resultatet blev en modell som sedan användes vid jämförelsen med Audiveris. Den jämförelsen resulterade i att Audiveris visade sig bättre än den nytränade modellen då Audiveris hittade nästan 100% av noterna på bilden medan den nya modellen bara hittade cirka 33.3%. Orsaken till den stora skillnaden på upptäckande av nottecken berodde antagligen till stor del på två saker: den första att Audiveris utvecklats under många år och den andra att träningsdatat som användes till den nya modellen inte var tillräckligt varierat och komplicerat. För att vidareutveckla den nya modellens färdighet skulle framför allt mer träningsdata behöva användas vid träningsmomentet. Även då behövde man se till att variationen av material och dess svårighetsgrad blev mer varierat än vid grundmaterialet.
23
Clase, Christian. "Maskininlärning och bildtolkning för ökad tillförlitlighet i strömavtagarlarm." Thesis, Högskolan i Gävle, Avdelningen för elektronik, matematik och naturvetenskap, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:hig:diva-27766.
Full textAbstract:
This master´s degree project is carried out by Trafikverket and concerns machine learning and image detection of defective pantographs on trains. Today, Trafikverket has a system for detecting damages of the coal rail located on the pantograph. This coal rail lies against the contact wire and may become worn in such a way that damages are formed in the coal rail, which results in a risk of demolition of the contact wire which causes major interference and high costs. Today, approximately 10 demolitions of contact wire occur annually due to missed detection. Today's system is called KIKA2, developed during the year 2011 and incorporates a 12 MP digital camera, a target radar and detection of a damaged pantographs is done using various famous imaging techniques. The shortcomings of today's system are that the proportion of false alarms is high and on these occasions, a person must manually review the pictures. The purpose of this degree project is to propose improvements and explore the possibilities of working with TensorFlow machine learning. I have used different image processing techniques on the KIKA2 images for optimizing the images for TensorFlow machine learning. I realized after some TensorFlow classification tests on the raw images that preprocessing the images is necessary to obtain realistic values for the classification part. My plan was to clean the pictures from noise, in other words crop the coal rail and improve the contrast to make the damages in the coal rail more visible. I have used Fourier analyze and correlation techniques to crop the coal rail and the k-means classification algorithm to improve the contrast of the images. The Googles TensorFlow is an open source framework and to use pre-processed RGB images from today's system KIKA2 will give reasonable classification values. I have brought some IR images with an external heating camera (FLIR-E60) of the pantograph. I can see that the thermal camera provides very nice contours on the pantograph, which is very good for machine learning. My recommendation is that for further studies is to further evaluate the IR technique and use IR-images taken from different angles, distances and with different backgrounds. The segmentation of the images can be done with either Hu´s moment or Fourier analysis with correlation and refined with for example classification techniques. IR images could be used to complement today's systems, or machine learning together with today's RGB images. A robust and proven pre-treatment technique is very important for obtaining good results in machine learning and requires further studies and real life tests to handle different types of pantographs, different light conditions and other differences in the images.
24
Alemayehu, Brook, and Fredrik Johnsons. "Maskininlärning inom kommersiella fastigheter : Prediktion av framtida hyresvakanser." Thesis, Uppsala universitet, Avdelningen för systemteknik, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-357245.
Full textAbstract:
The purpose of this thesis is to investigate the possibilities of predicting vacancies in the real estate market by using machine learning models in terms of classification. These models were mainly based on data from contracts between a Swedish real estate company and their tenants. Attributes such as annual renting cost and rental area for each contract were supplemented with additional data regarding financial and geographical information about the tenants. The data was stored in three different formats with the first having binary classes which aim is to predict if the tenant is moving out within a year or more. The format of the second and third version were both multi classification problems that aims to classify if the tenants might terminate their contract within a specific interval with the length of three and six months. Based on the results from Microsoft Azure Machine Learning Studio, it is discovered that the multi classification problems perform rather poorly due to the classes being unbalanced. Regarding the performance of the binary model, a more satisfying result was obtained but not to the extend to say that the model can be used to determine a vacancy with high accuracy. It should rather be used as a risk analysis tool to detect if a tenant is showing tendencies that could result in a future vacancy. A major pitfall of this thesis was the lack of data and the financial information not being specific enough. The performance of the models will likely increase with a larger dataset and more accurate financial information.
25
Liu, Julia, and Linnéa Lindahl. "Prediktion av efterfrågan i filmbranschen baserat på maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-235719.
Full textAbstract:
Machine learning is a central technology in data-driven decision making. In this study, machine learning in the context of demand forecasting in the motion picture industry from film exhibitors’ perspective is investigated. More specifically, it is investigated to what extent the technology can assist estimation of public interest in terms of revenue levels of unreleased movies. Three machine learning models are implemented with the aim to forecast cumulative revenue levels during the opening weekend of various movies which were released in 2010-2017 in Sweden. The forecast is based on ten attributes which range from public online user-generated data to specific movie characteristics such as production budget and cast. The results indicate that the choice of attributes as well as models in this study were not optimal on the Swedish market as the retrieved values from relevant precision metrics were inadequate, however with valid underlying reasons.Maskininlärning är en central teknik i datadrivet beslutsfattande. I den här rapporten utreds maskininlärning isammanhanget av efterfrågeprediktion i filmbranschen från biografers perspektiv. Närmare bestämt undersöks det i vilken utsträckningtekniken kan bistå uppskattning av publikintresse i termer av intäkter vad gäller osläppta filmer hos biografer. Tremaskininlärningsmodeller implementeras i syfte att göra en prognos på kumulativa intäktsnivåer under premiärhelgen för filmer vilkahade premiär 2010-2017 i Sverige. Prognostiseringen baseras på varierande attribut som sträcker sig från publik användargenererad data på nätet till filmspecifika variabler så som produktionsbudget och uppsättning av skådespelare. De erhållna resultaten visar att valen av attribut och modeller inte var optimala på den svenska marknaden då erhållna precisionsmått från modellerna antog låga värden, med relevanta underliggande skäl.
26
Petersson, Linda, and Magdalena Äng. "Etisk problematik vid implementering av maskininlärning i sjukvården." Thesis, Uppsala universitet, Institutionen för informatik och media, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-413702.
Full textAbstract:
Technological advances enable new applications in a number of industries. Artificial Intelligence, more specifically Machine Learning, is technology that is expected to have enormous potential in healthcare. Healthcare is constantly facing critical challenges but Machine Learning is anticipated to make it safer and more efficient. However, the implementation of Machine Learning also presents healthcare with ethical dilemmas. Based on the European Commission's Ethics Guidelines for Trustworthy Artificial Intelligence, this study explores those dilemmas in the context of Swedish healthcare. An in-depth qualitative case study is conducted in which doctors are interviewed and data is collected. The collected data is analyzed and with the help of the European Parliamentary Research Service's compilation of ethical problems within Artificial Intelligence, the study identifies six ethical problems from a doctor's perspective. These ethical problems the study identifies may arise when implementing Machine Learning in healthcare are “Bias,” “Transparency,” “Relationships,” “Inequality,” “Privacy, Human Rights and Dignity,” and “Why trust is important.”
27
Nilsson, Gustav, and William Takolander. "Smarta rekommendationer : Rekommendationer på webbsidor framtagna av maskininlärning." Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-39345.
Full textAbstract:
I dagens samhälle är maskininlärning en metod som blir allt mer populär för att lösa olika problem som företag ställs inför världen runt. Många företag har berg av lagrad data som inte används till någon nytta. Den datan kan användas på många olika sätt för att göra förbättringar inom företagen. Ett av sätten är maskininlärning, det har blivit mer och mer populärt för att skapa rekommendationer. Det här projektets syfte är att skapa ett bevis på konceptet att en maskininlärningsmodell är kapabel att ge rekommendationer baserat på historisk data. Projektet kommer vara riktlinjer för hur Centrala Studiestödsnämnden (CSN) ska fortsätta med maskininlärning som ett alternativ till manuella rekommendationer. Det uppnås genom att determinera vilken data som ska användas, förstå datan som används och välja en algoritm som passar den datan. Sedan kan algoritmerna användas för att skapa maskininlärda modeller som kan testas i diverse olika sätt för att se vilken som passar ändamålet. Två modeller skapas med olika algoritmer som båda passar uppgiften. Modellerna testas genom praktiska och teoretiska test. Resultatet visar att algoritmerna är liknande i deras predikterade rekommendationer men har en del variation.In today's society machine learning is a growing method to solve certain problems faced by companies worldwide. Many companies have mountains of stored data that are not being utilised. This data can be used in numerous ways to make improvements within these companies. One of the ways is machine learning, it is used more and more these days to generate recommendations. This project's purpose is to make a proof of concept of a machine learning model capable of giving recommendations based on historical data. This proof of concept will serve as guidelines to Centrala Studiestödsnämnden (CSN) in how they should approach machine learning as an alternative to manual recommendations. This is achieved by determining what data is to be used, understanding the data selected and then picking an algorithm suitable for that data. Then the algorithms will be used to create machine learned models which will be tested in various ways to see which works best for the task at hand. Two models are created with different algorithms that both fit the purpose. The models are tested through practical and theoretical tests. The results show that the algorithms are similar in which predicted recommendations they give but have slight variation.
28
Assarsson, Fabian, and Gustav Kjellin. "Maskininlärning som möjligt planeringsverktyg för mindre serviceföretag : En studie i maskininlärning för verksamhetsplanering inom hissbranschen hos fallstudieföretaget S:t Eriks Hiss AB." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-189468.
Full textAbstract:
I följande rapport visar vi att maskininlärningsalgoritmer från lättillgängliga bibliotek kan vara värdefulla verktyg, vid analys av företagsdata. Vi föreslår en ny metrik för frekvensanalys av oplanerade underhållsbesök genom en fallstudie inom hissbranschen och ger också företaget i fråga, S:t Eriks Hiss i Stockholm, ett geografiskt kundsegmenteringsalternativ, baserat på K-Meansklustring. Vi tillhandahåller också en kort diskussion om huruvida resultaten från Anderson et al (2009) och Blakeley et al (2003) skulle kunna utgöra ett analytiskt ramverk för företag i den urbana infrastrukturindustrin.In this report we show that Machine Learning algorithms from readily available libraries can be useful tools when analyzing company data. We suggest a new metric for analyzing the frequency of unplanned maintenance calls with an elevator maintenance case study, and also provide the company in question, S:t Eriks Hiss, with a K-Means clustered suggestion of geographical customer partitioning. We provide a brief discussion on whether the results from Anderson et al (2009) and Blakeley et al. (2003) could provide an analytical framework for companies in the urban maintenance industry. A weak negative correlation between profitability and our suggested metric indicate that so is the case and makes for interesting further enquiry.
29
Fredén, Gustaf, and Erik Persson. "Maskininlärning som verktyg för att förbättra planering i produktion." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-239630.
Full textAbstract:
Det kan vara svårt att planera produktionen av varor som är starkt säsongsberoende, eftersom försäljningen snabbt kan öka i takt och det är svårt att veta exakt när på året den börjar göra det. Gasol är en sådan vara, där efterfrågan är avsevärt högre under sommarhalvåret än vinterhalvåret. Denna studie görs på uppdrag av AGA, den ledande aktören på gasolmarknaden i norden, med syfte att undersöka om maskininlärning kan användas för att förbättra deras produktionsplanering. Variationer av regressionsmodeller användes för detta, med resultatet att ingen metod, med tillräckligt hög säkerhet, kunde användas för att förutspå framtida efterfrågan på gasol och underlätta produktionsplaneringen. Anledningen till detta är att det inte användes tillräckligt många olika attribut och att de som användes inte hade tillräckligt stark korrelation.Production planning for products with high seasonality can be difficult, as demand can increase rapidly, and it can be difficult to predict exactly when this increase will happen. Propane gas is such a product, where demand is significantly higher during summer than during winter. This study is conducted for AGA, the market leader for propane in the Nordic region, with the purpose to explore if machine learning can be used to improve their production planning. Different regression models where used to execute the study, with the result that none of them could be implemented with high enough proficiency to be used to predict future demand of propane and aid the production planning. The reason that the implementations failed was that too few input parameters where used for the machine learning models, and that those parameters that were used had too low correlation.
30
Normark, Tim, and Isabella Andrén. "Användande av maskininlärning vid skapande och utvärdering av kursplaner." Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20291.
Full textAbstract:
Studien undersöker om maskininlärning kan användas för att klassificera kursplaner tillräckligt bra för att eventuellt kunna användas som ett hjälpmedel i processen för att bedöma nya kursplaner. Studien undersöker även om man med unsupervised learning kan se tydliga skillnader gällande semantiken i de olika delarna av lärandemålen i kursplaner.En experimentell forskningsansats har använts och tillvägagångssättet är inspirerat av de olika stegen i CRISP data mining process. I praktiken innebar detta att det byggdes ett antal applikationer för att hämta och bearbeta data i form av kursplaner och därefter skapades maskininlärning-modeller som användes experimentellt för att kunna besvara de forskningsfrågor som formulerats.Resultatet av studien har visat att klassificerings-modellerna inte är tillräckliga för att kunna användas som ett hjälpmedel i processen att bedöma nya kursplaner. Modellernas bedömning om en kursplan är godkänd eller icke godkänd presterade med hög träffsäkerhet på den data som samlades in och användes för att träna och testa modellerna. För att testa hur väl en modell kunde användas i verkligheten jämfördes sedan klassificeringen av ett set andra kursplaner med en lärares bedömning av samma kursplaner. I detta sammanhang stämde modellens och lärarens bedömningar mycket dåligt överens. Resultaten gällande användning av unsupervised learning i relation till lärandemålen i kursplaner visade att denna maskininlärningsstrategi ser ut att vara effektiv för detta ändamål. Resultatet här visade att det inte finns några klara skillnader mellan indelningen av lärandemålen i de kursplaner som användes som data för modellerna.The study investigates whether machine learning can be used to classify syllabuses well enough to possibly be used as an aid in the process of assessing new syllabuses. The study also examines whether with unsupervised learning one can see clear differences regarding the semantics of the different parts of the learning objectives in syllabuses.An experimental research approach has been used and the approach is inspired by the various steps in the CRISP data mining process. In practice, this meant that a number of applications were built to retrieve and process data in the form of syllabuses and then machine learning models were created that were used experimentally to answer the research questions formulated.The results of the study have shown that the classification models are not sufficient enough to be used as an aid in the process of assessing new syllabuses. The model’s assessment of whether a syllabus is approved or not approved had a high accuracy on the collected data that was used to train and test the models. To test how well a model could be used in a real context, the classification of another set of syllabuses was compared to the evaluation of the same syllabuses by a teacher of Malmö University. In this context the result of the model’s and the teacher’s evaluation matched very poorly. The results regarding the use of unsupervised learning in relation to the learning objectives in syllabuses showed that this machine learning strategy appears to be effective for this purpose. The results here showed that there are no clear differences between the classification of the learning objectives in the syllabuses used as data for the models
31
Bojs, Robert, and Benny Feng. "Övervakad maskininlärning för att identifiera nya kunder på energimarknaden." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210782.
Full textAbstract:
This paper explores alternative ways for smaller actors on the energy market to identify potential customers using publicly available data and different machine learning algorithms. During recent years, price has been considered to have the biggest impact on the behaviour of the consumers on the energy market. Since the bigger actors on the market can use their economies of scale to lower their prices, smaller actors need to find alternative ways to reach out to consumers. The machine learning algorithms in this paper will use the sales data from a small energy company, operating in Sweden and attempt to find a connection between existing customers using their demographic properties. By acquiring a deeper knowledge of what differentiates consumers that are willing to purchase energy from the energy company and the other consumers, the energy company may increase their rate of successful sales. Due to the lack of customer data avilable coupled with a lack of relevant public data, the results in this paper are not conclusive. However, it provides a baseline for future research as the results may be more reliable when the number of customers purchasing energy from The Energy Company increases.Det här arbetet utforskar alternativa tillvägagångssätt för för mindre aktörer på energimarknaden att identifiera nya potentiella kunder, baserat på publikt tillgänglig data som analyseras med hjälp av maskininlärningsalgoritmer. På senare år har pris ansetts vara den faktor som påverkar val av leverantör mest. Eftersom större aktörer på marknaden kan utnyttja skalfördelar kan de pressa priserna hårt, medans mindre aktörer måste finna andra vägar att vinna nya kunder. Maskininlärningsalgoritmerna i den här uppsatsen kommer att använda försäljningsdata från ett litet energibolag, som bedriver verksamhet i Sverige, med målet att hitta ett mönster mellan existerande kunder och deras demografiska data. Genom att förskaffa sig djupare kunskap om vad som differentierar kunder kan energibolaget förbättra sin försäljning. På grund av en förhållandevis liten mängd kunddata och brist på publik data gick det inte att hitta ett betydande samband mellan kunderna och deras demografiska data. Resultaten utgör dock en bra grund för fortsatt forskning då resultaten blir mer pålitliga då mer kunddata införskaffas, vilket blir en naturlig följd av att energibolagets försäljning fortsätter utvecklas.
32
Saari, Lukas, and Emil Mårtensson. "Oövervakad maskininlärning för att upptäcka bottar i online-tävlingar." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-209821.
Full textAbstract:
Digital marknadsföring är i dagsläget en snabbt växande bransch och aktörer söker ständigt efter nya sätt att bedriva marknadsföring. I denna rapport studeras en av dessa aktörer, Adoveo, vars värdeerbjudande är att inkludera ett tävlingsmoment i reklamkampanjerna som ger deltagare möjlighet att vinna priser. Problematiskt är dock att priserna riskeras att inte delas ut till mänskliga deltagare, utan istället delas ut till bottar som deltar i tävlingarna både omänskligt många gånger och med omänskligt bra resultat. Syftet med rapporten är att med hjälp av data från denna aktör försöka skilja mänskliga deltagare från bottar. För detta tillämpades två oövervakade maskininlärningsalgoritmer för att klustra datapunkterna, Gaussian Mixture Model och K-medelvärde. Resultatet var en otydlig klusterstruktur där det inte gick att pålitligt identifiera något kluster som mänskligt respektive botliknande. Orsakerna bakom denna osäkerhet var främst designen av reklamtävlingarna samt att attributen i den studerade datan var otillräckliga. Rekommendationer gavs till hur dessa problem skulle kunna åtgärdas. Slutligen genomfördes en analys avseende affärsnyttan med botsäkra tävlingar och vilket mervärde det skapar för företaget. Analysen visade att affärsnyttan från att botsäkra tävlingarna skulle vara stor, då det skulle ge fördelar gentemot konsumenter såväl som annonsörer och konkurrenter.Digital marketing is a fast-growing market and its actors are constantlylooking for innovative and new ways of marketing. In this paper, an actoron this market called Adoveo will be studied. Their specialization and valueproposition is to include a competition part in their advertisement campaigns,giving its participators the possibility to win a prize. What could turn out to beproblematic is that the prizes are not rewarded to human contestants, insteadgoing to a bot that can participate in the competition with unreasonably goodresults. The purpose of this paper is to try to separate bots from human contestantswith the data provided from Adoveo. To that end, two unsupervised machinelearning algorithms were implemented to cluster the data points, GaussianMixture Model and K-Means. The result was an uninterpretable cluster structurefrom which there was no reliable identification of bot-like and human-likebehaviour to be made. The reason behind this was twofold, the design of thecompetition and a lack of decisive attributes in the data. Recommendationswere provided to how both of these issues could be rectified.Finally, an analysis was provided on the business value of bot-securingcompetitions and the value it gives to the company. The analysis showed thatthe business value of bot-securing competitions would be beneficial, becauseit would give a competitive advantage against competitors and also improvebusiness with advertisers and consumers.
33
Öbom, Anton, and Adrian Bratteby. "Maskininlärning för att förutspå churn baserat på diskontinuerlig beteendedata." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210546.
Full textAbstract:
This report is about examining the fields of machine learning and digital marketing, using machine learning as a tool to predict churn in a new domain of companies that do not track their customers extensively, i.e where behaviour data is discontinuous. To predict churn relatively simple out of the box models, such as support vector machines and random forests, are used to achieve an acceptable outcome. To be on par with the models used for churn prediction in subscription based services, this report concludes that more research has to be done using more effective evaluation metrics. Finally it is presented how these discoveries can be commercialized and the business related benefits of using churn prediction for the employer Sellpy.Denna rapport handlar om att utforska fälten maskininlärning och digital marknadsföring, genom att använda maskininlärning som ett redskap för att förutspå churn i en typ av företag med diskontinuerlig beteendedata. För att förutspå churn finns relativt simpla "out of the box"-modeller, som support vector machines och random forests, som används för att nå acceptabla resultat. För att nå liknande resultat som i arbeten där churn utförs på kontinuerlig beteendedata konstaterar denna rapport att framtida arbeten forska på vilka utvärderingsmetriker som är mest lämpade. I rapporten presenteras också hur dessa upptäckter kan kommersialiseras och hur företaget Sellpy kan tjäna på att förutspå churn.
34
Bile, Excell Linus. "Fundamentala utmaningar med maskininlärning : Identifikation av ansiktsmask på bild." Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-42962.
Full textAbstract:
Maskininlärning är en teknik som kan användas inom många områden, bland annat inom bildigenkänning. Syftet med detta projekt är a få en grundlig förståelse för hur maskininlärning fungerar, inklusive vilka datatekniska förkunskaper som krävs och vilka utmaningar som finns i självlärande system. Detta har undersökts genom a skapa och optimera e system som identifierar huruvida en person på en bild använder ansiktsmask eller inte. Tyngden har legat på att samla in och hantera data, men framför allt på a optimera flera olika hyperparametrar. Detta genomfördes genom insamling av information för att skaffa en grundläggande förståelse för området. Därefter tränades, validerades och testades systemet. Systemet justerades genom applicering av olika hyperparametrar för a förstå hur dessa påverkade resultatet. Detta gjordes i Keras och resultatet visualiserades i MatPlotlib. Resultatet visade a en utmaning för e självlärande system är a minska overfitting, vilket var anledningen till varför applicering av hyperparametern dropout visade sig vara viktig. Utmaningen med a använda maskininlärning upp fattades framför allt vara a förstå vad som påverkar resultatet, då det finns många parametrar och det tar lång tid att testa alla. Trots det skapades ett tillräckligt bra system för a kunna avgöra om en person bär ansiktsmask eller inte medtanke på den mängd data, tid och kunskap som fanns tillgänglig, vilket tyder på a maskininlärning kan vara användbart både inom detta område och många andra områden i samhället.Machine learning is a widely used technique, which can be used for image recognition. The aim of this project is to get a basic understanding for how machine learning operates, including the user’s required technical prior knowledge as well as the challenges that exist within a self-learning system. This was examined by creating and optimizing a system that identifies whether a person in a picture is wearing a face mask or not. The main focus of the project has been on collecting and managing data, but most importantly on optimizing hyper parameters. This was executed by collecting information to achieve basic understanding of the topic. Then the system was trained, validated and tested. The system was optimized by application of various hyper parameters to show the user how they affect the result. This was executed in Keras and visualized in MatPlotlib. The result showed that one challenge in a self-learning system is to reduce the risk of overfitting, which is why application of the hyper parameter dropout was important. The challenge in using machine learning seemed to be that many hyper parameters can affect the result, and understanding what, how and why a result is the way it is can be difficult for the user. Despite this, a system that could interpret whether a person in a picture was wearing a face mask or not was created and optimized in a sufficient way regarding the amount of data, time and previous knowledge available. This emphasizes the utility of machine learning both in this and other areas.
35
Engblom, Emil. "Nyttiggörande avmaskininlärningsmodeller i verksamheten : Ökad metadatakvalitet med stöd från maskininlärning." Thesis, Uppsala universitet, Data- och systemvetenskap, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-437156.
Full textAbstract:
Photographs, documents and other types of digitised data from the cultural heritage are collected in central databases to be made available to the public. These databases are known as aggregators. The aggregated data often have different purpose and formats, since they are created to suit the purpose of an individual institution. Metadata is data describing other data and is used to streamline the search through the different stored object within the aggregators.If all the stored metadata uses the same decided standard the search among the objects is quick and efficient. It is a common problem within aggregators that the stored metadata is of a lacking quality. When the quality of the metadata is lacking the search among the objects within the aggregator is slow, difficult and timeconsuming. The search may even give faulty results. In some cases data can go lost within large collections of data if the metadata is incorrect or missing. The knowledge about digitalisation and the resources to perform it, are often lacking in eg. a museum. This can sometimes lead to errors in the metadata. In 2019 a modell within machinelearning was developed during a project with the purpose to identify errors in the metadata of the swedish cultural heritage board’s aggregator K-samsök. In this study the modells ability to identify errors been evaluated. This evaluation was used to answer the following question: How can good quality of metadata be maintained whithin a organisation with support from a modell whithin machinelearning? This research contributes to the academy by informing the academy that there is still a problem that the quality of metadata in aggregators is of lacking quality. The research also provides suggestions for solutions to the problem, which in turn can give rise to further research. These solution suggestions are also of value to the Swedish National Heritage Board, as the study has been conducted with a focus on their aggregator K-samsök. The machine learning models can also be further developed and implemented by the Swedish National Heritage Board, which means that the models can provide value in the form of a basis to start from when improving the quality of the metadata stored in K-samsök
36
Ljung, Mikael, and Linnea Månsson. "Klassificering av engagemangsnivå hos en samtalsdeltagare med hjälp av maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-262046.
Full textAbstract:
The work presented in this study is based on the long-term goal of developing a social robot that can be involved in leading a conversation in a language café. In detail, the study has investigated whether it is possible to classify involvement with a conversation participant based on its facial expression and gaze two factors that previous studies have shown to be central to human engagement. To perform the assessment, the software Openface has extracted said parameters from a previous field study which has then been processed with the machine learning model Support Vector Machine. After a lot of hyperparameter tuning, the final model managed to predict engagement on a three-point scale with 54.5% accuracy. Furthermore, the study has also examined the potential of the new technological paradigm that the social robot represents. The potential has been analyzed on the basis of Dosi’s four dimensions: technological possibilities, appropriability of innovation, cumulativeness of technical advances and properties of the knowledge base. The analysis clarifies that the paradigm has the potential to revolutionize a number of industries as a result of its technological opportunities and worldwide stakeholders, but also faces challenges in the form of technical and ethical difficulties.Arbetet som presenteras i den här studien grundar sig i det långsiktiga målet att utveckla en social robot som kan vara med och leda samtalssessioner på ett språkcafé. I detalj har studien undersökt om det går att klassificera engagemang hos en samtalsdeltagare utifrån dess ansiktsuttryck och blickriktning – två faktorer som tidigare studier visat sig vara centrala för människans engagemang. För att utföra bedömningen har mjukvaran Openface extraherat nämnda parametrar från en tidigare fältstudie vilka sedan har processats med maskininlärningsmodellen Support Vector Machine. Efter gedigna försök att finna optimala värden på hyperparametrar till modellen lyckades den slutligen predicera engagemang på en tregradig skala med 54,5% accuracy. Vidare har studien också undersökt potentialen för det nya teknologiska paradigmet som den sociala roboten utgör. Potentialen har analyserats med utgångspunkt i Dosis fyra dimensioner: teknologiska möjligheter, möjliga vinster från innovation, kumulativ höjd på teknologiska framsteg och egenskaper i kunskapsbasen. Analysen klargör att paradigmet har förutsättningar att revolutionera ett flertal industrier till följd av dess teknologiska möjligheter och världsomfattande intressenter, men står också inför utmaningar i form av tekniska och etiska svårigheter.
37
Berg, Tom, and Sergej Engström. "Maskininlärning som medel för att förutsäga NBA:s mest värdefulla spelare." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-272104.
Full textAbstract:
This research has been conducted within the field of industrial engineering and computer science. Emphasis in this study has been on machine learning and to what extent it can be used to predict the recipients of individual awards in sports, based on the data behind their performances. For this work, different machine learning algorithms have been used and evaluated to predict the outcome of the “most valuable player” award in the National Basketball Association. Quantitative data have been gathered from almost 20 seasons to build a base for the machine learning fitting. The selection of features and tuning of hyperparameters have been optimized to improve the predictions. The algorithms have been gauged and compared in different ways to find out how to maximize the accuracy. The conclusion of the study was that the results can be predicted with an R2-score higher than 80% and that each method that was tested predicted more than half of the MVPs.Denna studie har utförts inom områdena industriell ekonomi och datateknik. Fokus har legat på maskininlärning och med vilken precision det kan användas för att förutspå mottagare av idrottsutmärkelser, baserat på deras individuella prestationer. I arbetet har olika maskininlärningsalgoritmer använts och utvärderats för att förutsäga vem som utses till den mest värdefulla spelaren i National Basketball Association. Kvantitativa data har samlats in från nästan 20 säsonger för att lägga grunden för träningen av algoritmerna. Features har valts ut och hyperparametrar har ställts in för att optimera förutsägelserna. Algoritmerna har sedan utvärderats och jämförts för att kunna maximera precisionen. Arbetet resulterade i förutsägelser med R2-scores på över 80% samt att varje metod förutsåg fler än hälften av alla MVPs.
38
Schnackenburg, Ellen Cecilia, and Karl Leife. "Maskininlärning i fastighetsbranschen : Prediktion av felanmälningar gällande inomhusklimat baserat på sensordata." Thesis, Uppsala universitet, Avdelningen för systemteknik, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-338579.
Full textAbstract:
This thesis investigates the prerequisites needed for the Swedish real estate company Fabege to create useful machine learning models for classification and prediction of error reports from tenants. These error reports are regarding cold indoor climates and bad indoor air quality. By analyzing the available data, that consists of error reporting data, weather data and indoor climate data, the thesis investigates the different correlations between the sensor data and the error reports. By using an algorithm called decision jungle, two machine learning models have been trained in Microsoft Azure Machine Learning Studio. The main model, trained on error reporting data and weather data, shows the possibilities to classify data instances as a part of different error reporting classes. The model proves that it is possible to predict the emergence of future error reports of different classes with an average accuracy of 78%. The complementary model, trained on a small but more richly annotated dataset consisting of one year of indoor sensor data as well as the above-mentioned data, shows that there is a possibility to improve the main model by using indoor climate data. The thesis has shown that for Fabege to expand and improve these models, the amount of data collected from the indoor sensors needs to be largely increased. Fabege also needs to improve the quality of the error reporting data, which could be achieved by improving the error reporting form used by the tenants.
39
Kirik, Engin. "Tolkning av handskrivna siffror i formulär : Betydelsen av datauppsättningens storlek vid maskininlärning." Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-41291.
Full textAbstract:
Forskningen i denna studie har varit att tag fram hur mycket betydelse storleken på datauppsättningen har för inverkan på resultat inom objektigenkänning. Forskningen implementerades i att träna en modell inom datorseende som skall kunna identifiera och konvertera handskrivna siffror från fysisk-formulär till digitaliserad-format. Till denna process användes två olika ramverk som heter TensorFlow och PyTorch. Processen tränades inom två olika miljöer, ena modellen tränades i CPU-miljö och den andra i Google Clouds GPU-miljö. Tanken med studien är att förbättra resultat från tidigare examensarbete och forska vidare till att utöka utvecklingen extra genom att skapa en modell som identifierar och digitaliserar flera handskrivna siffror samtidigt på ett helt formulär. För att vidare i fortsättningen kunna användas till applikationer som räknar ihop tex poängskörden på ett formulär med hjälp av en mobilkamera för igenkänning. Projektet visade ett resultat av ett felfritt igenkännande av flera siffror samtidigt, när datauppsättningen ständigt utökades. Resultat kring enskilda siffror lyckades identifiera alla siffror från 0 till 9 med både ramverket TensorFlow och PyTorch.The research in this study has been to extract how important the size of the dataset is for the impact on results within object recognition. The research was implemented in training a model in computer vision that should be able to identify and convert handwritten numbers from physical forms to digitized format. Two different frameworks called TensorFlow and PyTorch were used for this process. The process was trained in two different environments, one model was trained in the CPU environment and the other in the Google Cloud GPU environment. The idea of the study is to improve results from previous degree projects and further research to expand the development extra by creating a model that identifies and digitizes several handwritten numbers simultaneously on a complete form, which will continue to be able to help and be used in the future for applications that sums up points on a form using a mobile camera for recognition. The project showed a result of an error-free recognition of several numbers at the same time, when the data set was constantly expanded. Results around individual numbers managed to identify all numbers from 0 to 9 with both the TensorFlow and PyTorch frameworks.
40
Jacobsson, Marcus, and Viktor Inkapööl. "Prediktion av optimal tidpunkt för köp av flygbiljetter med hjälp av maskininlärning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-281767.
Full textAbstract:
The work presented in this study is based on the desire of cutting consumer costs related to purchase of airfare tickets. In detail, the study has investigated whether it is possible to classify optimal purchase decisions for specific flight routes with high accuracy using machine learning models trained with basic data containing only price and search date for a given date of departure. The models were based on Random Forest Classifier and trained on search data up to 90 days ahead of every leave date in July 2016-2018, and tested on the same kind of data for 2019. After preparation of data and tuning of hyperparameters the final models managed to correctly classify optimal purchase with an accuracy of 88% for the trip Stockholm-Mallorca and 84% for the trip Stockholm-Bangkok. Based on the assumption that the number of searches correlates with demand and in turn actual purchases, the study calculated the average expected savings per ticket using the model on the specific routes to be 21% and 17% respectively. Furthermore, the study has also examined how a business model for price comparison could be reshaped to incorporate these findings. The framework was set up using Business Model Canvas and resulted in the recommendation of implementing a premium service where users would be given the information wether to buy or wait based on a search.Arbetet presenterat i studien är baserat på målet att sänka konsumentkostnader relaterat till köp av flygresor. Mer specifikt har studien undersökt huruvida det är möjligt att predicera optimala köpbeslut för specifika flygrutter med hjälp av maskininlärningsmodeller tränade på grundläggande data innehållande endast information om pris och sökdatum för varje givet avresedatum. Modellerna baserades på Random Forest Classifier och tränades på sökdata upp till 90 dagar före avresa för varje avresedag i juli 2016–2018, och testades på likadan data för 2019. Efter förberedelse av data och tuning av hyperparametrar lyckades modellerna med en träffsäkerhet på 88% respektive 84% predicera optimalt köp för rutterna Stockholm-Mallorca respektive Stockholm-Bangkok. Baserat på antagande om att antalet sökningar korrelerar med efterfrågan och vidare faktiska köp, beräknade studien att den genomsnittliga förväntade besparingen per biljett vid användning av modeller på de undersökta rutterna till 21% respektive 17%. Vidare undersökte studien hur en affärsmodell för prisjämförelse kan omformas för att inkorporera resultaten. Ramverkat som användes för detta var Business Model Canvas och mynnade ut i en rekommendation av implementering av en premiumtjänst genom vilken användare ges information biljett ska köpas eller ej vid en given sökning.
41
Marchal, Jakob, and Mathias Andreasen Andreasen. "Autopositionering för röntgensystem." Thesis, Linnéuniversitetet, Institutionen för datavetenskap (DV), 2014. http://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-42742.
Full textAbstract:
Abstrakt Röntgen är ett område där man ställer frågan om processen skulle kunna automatiseras för att göra den enklare för sjuksköterskor. På så sätt ökar antalet patienter som kan röntgas eftersom det skulle gå snabbare. Med hjälp av datorseende och en servostyrd röntgenkamera kan man förverkliga delar av dessa drömmar genom att låta röntgenkameran själv justera sig efter en patient och även flyttas till en vald kroppsdel. Här undersöks och testas open-source biblioteket OpenCV. En prototyp på ett automatiskt system tas fram med syftet att testa OpenCVs funktionalitet och besvara ett antal frågor: Hur kan röntgen automatiseras genom användning av open-source programvarubibliotek med inriktning på bildbehandling? Vilka för – och nackdelar kan användandet av ett datorseendebibliotek vara? Kan man med dagens teknik utveckla en automatisk lösning som kan göras till en kommersiell produkt?
42
Persson, Masud Alexander, and Viktor Olsson. "Cyklisters upplevda otrygghet i urban miljö – En studie med klusteranalys." Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20207.
Full textAbstract:
Lunds kommun har som mål att vara en ledande kommun i Sverige när det kommer till att främja användandet av cykeln som transportmedel. Genom maskininlärningstypen klusteranalys undersöker vi om det är möjligt att analysera data generad av cyklister i Lund, för att kartlägga cyklisters upplevda otrygghet i trafiken. Syftet med att utföra klusteranalysen är att kostnadseffektivare kunna vidareutveckla en säker miljö för cyklister. Detta gör vi genom att baserat på algoritmen k-means utvecklat två olika ansatser. Dels en ansats baserad på euklidisk distans och en ansats som är punktbaserad. Dessa ansatser kontrollerar storleken på kluster för att matcha de geografiska ytor som vi arbetade med. Den euklidiska ansatsen genererar kluster baserat på storlek i meter medans den punktbaserade ansatsen genererar kluster efter antalet punkter i ett kluster. I våra experiment pekar resultaten på att den euklidiska ansatsen är bättre lämpad för klusteranalyser. Vi anser även att användbarheten av att utföra klusteranalyser med våra ansatser inte är tillräcklig för att klusteranalyser ska bli mer användbart än icke maskininlärningsbaserade analyser. Genom att komplettera ytterligare variabler i datamängden och jämföra klusteranalyser över tid så anser vi att klusteranalys kan få ett mervärde.The municipality of Lund strives to be a leading municipality in Sweden regarding bicycle usage as a means of transportation. With the machine learning type cluster analysis, we want to examine the possibility of analysing data generated by cyclist in Lund in order to understand cyclists perceived insecurity in traffic. The purpose of performing cluster analysis was to more cost efficiently further enhance a safer environment for cyclists. We perform our analysis based on the K-means algorithm and further develop two different methods. The first method is based on Euclidian distance and the second method is based on the amount of datapoints in a given cluster. These methods control for the size of a cluster in order to match the geographical space we are working with such as roads and crossings. The Euclidian method generates clusters based on size in meters and the other method generates clusters based on amount of datapoints. In our experiment the result shows that the Euclidian method is more suited for cluster analysis. We also believe that the usability of cluster analysis with our methods isn't sufficient in order for us to believe that cluster analysis is more usable than none machine learning analysis. By adding additional variables to the data collection and comparing cluster analyses over time we believe that cluster analysis could be of more value.
43
Melander, Gustav, and Robin Wänlund. "Maskininlärning som medel för att betygsätta samtal med språklärande syfte mellan robot och människa." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-259552.
Full textAbstract:
Det svenska företaget Furhat Robotics har skapat en robot kallad Furhat vilken är kapabel till att interagera med människor i språkcafé-liknande miljöer. Syftet med den robotledda konversationen är att utveckla deltagarnas språkkunskaper, vilka efter varje konversation får svara på en enkät om vad de tyckte om samtalet med Furhat. Ur detta har frågan huruvida det är möjligt att förutspå vad deltagarna tyckte om samtalet baserat på konversationens struktur uppstått. Syftet med denna rapport är att analysera huruvida det är möjligt att kvantifiera konversationerna och förutspå svaren i enkäten med hjälp av maskininlärning. Det dataset som rapporten baserar sig på erhölls från tidigare studier i Kollaborativ Robotassisterad Språkinlärning (Collaborative Robot Assisted Language Learning). Resultaten visade på ett RMSE högre än variansen för medelvärdet av enkätsvaren vilket indikerar att den framtagna modellen inte är särskilt effektiv. Modellen presterade dock bättre i vissa förutsägelser då varje enskilt enkätsvar förutspåddes var för sig. Detta antyder att modellen skulle kunna användas till vissa frågeformuleringarThe Swedish company Furhat Robotic have created a robot called Furhat, which is able to interact with humans in a language café setting. The purpose of the robot led conversation is for the participants to develop their language skills. After the conversation the humans will answer a survey about what they thought about the conversation with Furhat. A question that has arisen from this is if it is possible to predict the survey answers based on just the conversation. The purpose of this paper is to analyze if it is possible to quantify the conversations linked to the survey answers, and by doing so be able to predict the answers in new conversations with a machine learning approach. The data set being used was obtained from an earlier study in Collaborative Robot Assisted Language Learning. The result returned a RMSE that was greater than the variance of the average conversation score which indicates that the model is not very effective. However, it excelled in some predictions trying to give scores to each separate survey answer, indicating that the model could be used for certain question formulations.
44
Appelquist, Niklas, and Emelia Karlsson. "Kan en bättre prediktion uppnås genom en kategorispecifik modell? : Teknologiprojekt på Kickstarter och maskininlärning." Thesis, Uppsala universitet, Institutionen för informatik och media, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-413736.
Full textAbstract:
Crowdfunding används för att samla in pengar för tänkta projekt via internet, där ett stort antal investerare bidrar med små summor. Kickstarter är en av de största crowdfundingplattformarna idag. Trots det stora intresset för crowdfunding misslyckas många kampanjer att nå sin målsumma och projekt av kategorin teknologi visar sig vara de projekt som misslyckas till högst grad. Därmed är det av intresse att kunna förutsäga vilka kampanjer som kommer att lyckas eller misslyckas. Denna forskningsansats syftar till att undersöka genomförbarheten i att uppnå en högre accuracy vid prediktion av framgången hos lanserade kickstarterprojekt med hjälp av maskininlärning genom att använda en mindre mängd kategorispecifik data. Data över 192 548 lanserade projekt på plattformen Kickstarter har samlats in via www.kaggle.com. Två modeller av typen RandomForest har sedan tränats där en modell tränades med data över samtliga projekt i uppsättningen och en tränades med data över teknologiprojekt med syftet att kunna jämföra modellernas prestation vid klassificering av teknologiprojekt. Resultatet visar att en högre accuracy uppmättes för teknologimodellen som nådde 68,37% träffsäkerhet vid klassificeringen gentemot referensmodellens uppvisade accuracy på 68,00%.Crowdfunding is used to collect money via internet for potential projects through a large number of backers which contribute with small pledges. Kickstarter is one of the largest crowdfunding platforms today. Despite the big interest in crowdfunding a lot of launched campaigns fail to reach their goal and projects of the category technology shows the largest rate of failure on Kickstarter. Therefore, it is important to be able to predict which campaigns are likely to succeed or fail. This thesis aims to explore the possibility of reaching a higher accuracy when predicting the success of launched projects with machine learning with a smaller amount of category-specific data. The data consists om 192 548 launched projects on Kickstarter and has been collected through Kaggle.com. Two models of the type Random Forest has been developed where one model has been trained with general data over all projects and one model has been trained with category specific data over technology projects. The results show that the technology model show a higher accuracy rate with 68,37 % compared to the reference model with 68,00 %.
45
Theo, Sobczak. "Maskininlärning och fallklassificering med MEMS-accelerometer : En studie i fallklassificering med artificiella neurala nätverk." Thesis, Högskolan i Gävle, Elektronik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:hig:diva-34013.
Full textAbstract:
Denna rapport har sin utgångspunkt på skapandet av en maskininlärningsalgoritm för att kunna klassificera ett fysiskt fall av en person. En DC Kapacitiv MEMS-accelerometer (BMA250) kombinerat med en Tinyduino Processor (Atmega328P) används för datainsamling. Programmering av processorn och maskininlärningsalgoritmen skrivs i C++ och ANN (Artificiell Neuralt Nätverk) används för att klassificera det fysiska fallet. ANN kan approximera ett värde som tyder på ett falskt fall efter 10 000 träningssekvenser inom 5% av ett teoretiskt värde som tyder på ett resultat med 100% säkerhet och 0,0005% felmarginal. Ett teoretiskt värde som tyder på ett faktiskt fall kan klassificeras efter 5000 träningssekvenser inom 5% av det eftersökta värdet med 100% säkerhet och 0,0045% felmarginal.
46
Berglund, Frida, and Vendela Talenti. "Maskin eller läkare? En studie om individens attityd till användning av vårdapplikationer med maskininlärning." Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20881.
Full textAbstract:
I denna studie undersöks individers generella attityder till vårdapplikationer som användermaskininlärning. Datainsamlingen har skett genom både kvalitativa och kvantitativa metodersom kompletterar varandra. Metoderna innefattar en enkätundersökning och två fokusgrupperbaserade på scenario-based design. Teorin är baserad på forskning inom digitaliseringen avvården, bland annat maskininlärning och mHealth, som ligger till grund och stödjerundersökningen. Även teori om attityder och förtroende till digitaliseringen av vården harunderbyggt undersökningen.I slutsatsen framkommer det att det finns en korrelation mellan hög medvetenhet och positivinställning när det kommer det användandet av vårdapplikationer med maskininlärning. Dengenerella attityden till att få en diagnos av maskininlärning är negativ då de flesta föredrar att fåen diagnos förmedlad av en läkare. Studien indikerar på att detta kan bero på att patienternasöker empati från vården, vilket artificiell intelligens saknar. Förtroendet för en vårdapplikationgrundar sig främst i ryktet om den men även i vilket företag eller organisation som liggerbakom. Studien indikerar på att individer är positivt inställda till att bidra med privat hälsodatatill en vårdapplikation om det leder till förebyggande av sjukdom. Studien ger även en antydanpå att det finns en rädsla kring var privata hälsodata hamnar när den har lämnats ut.This study aims to research on individuals’ general attitudes towards healthcare applicationsthat use machine learning. The data collection has taken place through both qualitative andquantitative methods as a complement to each other. The methods include a questionnairesurvey, two focus groups based on scenario-based design. The theory is based on research in thedigitalisation of healthcare, including machine learning and mHealth, which is based andsupports the investigation. The theory of attitudes and confidence in the digitalisation of carealso forms the basis for the study.The conclusion shows that there is a correlation between high awareness and positive attitudewhen it comes to the use of healthcare applications with machine learning. The general attitudetowards a diagnosis from machine learning is negative since most people prefer to get adiagnosis mediated by a doctor. The study indicates that this may be because the patients seekempathy from the healthcare system, which artificial intelligence lacks of. Trust towards ahealthcare application is based primarily on the reputation of it, but also in which company ororganization that is behind it. The respondents in the survey are positive about contributing withtheir personal data to a healthcare application if it leads to a prevention of a disease. The studyalso gives an indication that there is a fear of what happens with private health data.
47
Ekeberg, Lukas, and Alexander Fahnehjelm. "Maskininlärning som verktyg för att extrahera information om attribut kring bostadsannonser i syfte att maximera försäljningspris." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-240401.
Full textAbstract:
The Swedish real estate market has been digitalized over the past decade with the current practice being to post your real estate advertisement online. A question that has arisen is how a seller can optimize their public listing to maximize the selling premium. This paper analyzes the use of three machine learning methods to solve this problem: Linear Regression, Decision Tree Regressor and Random Forest Regressor. The aim is to retrieve information regarding how certain attributes contribute to the premium value. The dataset used contains apartments sold within the years of 2014-2018 in the Östermalm / Djurgården district in Stockholm, Sweden. The resulting models returned an R2-value of approx. 0.26 and Mean Absolute Error of approx. 0.06. While the models were not accurate regarding prediction of premium, information was still able to be extracted from the models. In conclusion, a high amount of views and a publication made in April provide the best conditions for an advertisement to reach a high selling premium. The seller should try to keep the amount of days since publication lower than 15.5 days and avoid publishing on a Tuesday.Den svenska bostadsmarknaden har blivit alltmer digitaliserad under det senaste årtiondet med nuvarande praxis att säljaren publicerar sin bostadsannons online. En fråga som uppstår är hur en säljare kan optimera sin annons för att maximera budpremie. Denna studie analyserar tre maskininlärningsmetoder för att lösa detta problem: Linear Regression, Decision Tree Regressor och Random Forest Regressor. Syftet är att utvinna information om de signifikanta attribut som påverkar budpremien. Det dataset som använts innehåller lägenheter som såldes under åren 2014-2018 i Stockholmsområdet Östermalm / Djurgården. Modellerna som togs fram uppnådde ett R²-värde på approximativt 0.26 och Mean Absolute Error på approximativt 0.06. Signifikant information kunde extraheras from modellerna trots att de inte var exakta i att förutspå budpremien. Sammanfattningsvis skapar ett stort antal visningar och en publicering i april de bästa förutsättningarna för att uppnå en hög budpremie. Säljaren ska försöka hålla antal dagar sedan publicering under 15.5 dagar och undvika att publicera på tisdagar.
48
Larsson, Olsson Simon. "Användandet av algoritmer inom investeringar kopplat till OMX30 : Tillämpning av maskininlärning inom portföljhantering: En K-Betydelsemetod." Thesis, Södertörns högskola, Institutionen för samhällsvetenskaper, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:sh:diva-43906.
Full textAbstract:
Many investors use different types of data methods before making a decision, regardless of whether it is long or short term. The choice of which analysis method is generally determined by risk, removal of bias and the cost. One method that has been investigated is the use of machine lerning in data analysis. The advantage of machine lernig is that the method successfully handles comples, non-linear and non-stationary problems. In this essay, it will be investigated whether unattended machine learning, which uses the K-meaning method, which is a method that has not been investigated to any great extent either in practice or in theory to create a beneficial portfolio. The data used for the k-meaning method was historical data from the Swedish stock market between 1 January 2018 and 2 November 2020. The k-meaning analysis consists of the return of all shares included within OMX30 and the average deviation, which created a cluster of 11 shares that could generate a relatively high return compared to the remaining shares. To analyze whether the generated cluster were acceptable, an analysis of the sharpe-ratio and downward risk was preformed, which showed that the portfolio had a good risk-adjusted returnbut a worse result on downward risk.
49
Johan, Pedersen, and Alfredsson Rebecka. "Prognostisering med hjälp av maskininlärning." Thesis, Karlstads universitet, Institutionen för matematik och datavetenskap (from 2013), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kau:diva-78151.
Full textAbstract:
Machine learning is a topic that is being used in more areas. More companies want to take advantage of this to be able to improve their sales models. The aim of the project was to develop a forecasting tool as this could result in a possible increased profit for the customer. Forecasting takes place at the Amount data point using the two machine learning models random decision tree and recurrent neural network. The random decision tree model only predicts the data point while the recurrent neural network model predicts the data point with the account of L. The data was investigated with the exploratory data analysis model to investigate relationships, find anomalies and designate data points, and then be used in the machine learning models. The result of the work is that the two models achieve an average error for forecasting that is within the client’s acceptable limits.
50
Hällgren, Clara, and Alexander Kristiansson. "Maskininlärning för automatisk extrahering av citat från recensioner : Med användning av BERT, Inter-Sentence Transformer och artificiella neuronnätverk." Thesis, KTH, Hälsoinformatik och logistik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-296565.
Full textAbstract:
Att manuellt välja en eller flera meningar ur en filmrecension att använda som citat kan vara en tidskrävande uppgift. Denna rapport utvärderar övervakade maskininlärningsmodeller för att skapa en prototyp som automatiskt kan välja lämpliga citat ur recensioner. Utifrån resultatet av en litteraturstudie valdes två modeller att implementera och utvärdera på data bestående av filmrecensioner och tillhörande manuellt valda citat. Av arbetets två implementerade modeller, BERT med Inter-Sentence Transformer och BERT med ett artificiellt neuronnät, visade den sistnämnda marginellt bättre resultat. Modellerna utvärderades med ROUGE och jämfördes med tidigare studiers toppresultat inom automatisk textsummering. Slutsatsen är att de modeller som utvärderades inte presterar tillräckligt väl inom problemområdet för att motivera en driftsättning utan ytterligare utvecklingsarbete. Dock visar resultaten att det finns potential i att de utvärderade tillvägagångssätten delvis kan ersätta manuella val av citat i framtiden.To choose a number of sentences from a movie review to use as a quote can be time consuming if done manually. This thesis evaluates supervised machine learning models to create a prototype that automatically can choose such quotes. The thesis chose, based on a literature study, two models to implement and evaluate on data consisting of movie reviews and their respective corresponding manually chosen quotes. Out of the thesis two implemented models, BERT with Inter-Sentence Transformer and BERT with an artificial neural network, the latter showed marginally better results. The models were evaluated with ROUGE and was compared with state-of-the-art models regarding automatic text summarization. The conclusion is that the models that were evaluated do not perform well enough for the problem to motivate full deployment without further development efforts. However, the results show that there is potential that the evaluated methods can partially replace manual labour when choosing quotes.