<p>Syftet med uppsatsen var att ur ett socialkonstruktivistiskt perspektiv – undersöka hur övervakning har blivit ett uttryck för maktutövning i det moderna samhället. För att besvara uppsatsens syfte användes två frågeställningar som vardera berörde framställningen av övervakningsdiskursen. Den ena frågeställningen analyserades på makronivå med utgångspunkt i diskursteori och textanalys av massmediala artiklar. Den andra frågeställningen utreddes genom en diskurspsykologisk ansats på mikronivå, där intervjuer med pedagoger och elever analyserades med hjälp av samtalsanalys. Frågeställningarna tolkades empiriskt för att sedan analyseras gemensamt i en huvudtolkning utifrån teorin om Governmentality. Vad som framkom i huvudtolkningen var att: på både mikro och makro nivå visade resultatet att det sker en positionering av elever som övervakade inom övervakningsdiskursen. Denna positionering är ett uttryck för maktutövning, i synnerhet inom det offentliga rummet och i allmänhet genom samhällsdebatten.</p>

This thesis investigates the feasibility of supervised learning models in the decision-making problem to package products and predict an optimal packaging solution. The decision-making problem was broken down into a multi-class classification and a regression problem using relevant literature. Supervised learning models from the field of logistics were shortlisted namely; Generalized Linear Models, Support Vector Machines, Random Forest and Gradient Boosted Trees using CatBoost. The performance of the models were evaluated based on relevant metrics, interpretability and ease of implementation. The results from this thesis show that the Random Forest model had the best performance on all the aforementioned criteria in both the classification and regression problems. / Denna avhandling undersöker möjligheten att genomföra övervakade inlärningsmodeller i syfte att förbättra beslutsprocessen kring produktpaketering samt att förutsäga en optimal förpackningslösning. Beslutsfattandeprocessen bröts ner i klassificeringsdelar samt ett regressionsproblem med hjälp av relevant litteratur. De övervakade inlärningsmodeller från logistikområdet som har använts är ”Generalized Linear Models”, ”Support Vector Machines”, ”Random Forest” och ”Gradient Boosted Trees using CatBoost”. Modellerna har utvärderades utifrån relevanta mätvärden, tolkbarhet och enkelhet avseende implementering. Resultaten i denna avhandling visar att ”Random Forest”-modellen har bäst prestanda på alla ovannämnda kriterier, både vad gäller klassificerings- och regressionsproblemen.

Syftet med uppsatsen var att ur ett socialkonstruktivistiskt perspektiv – undersöka hur övervakning har blivit ett uttryck för maktutövning i det moderna samhället. För att besvara uppsatsens syfte användes två frågeställningar som vardera berörde framställningen av övervakningsdiskursen. Den ena frågeställningen analyserades på makronivå med utgångspunkt i diskursteori och textanalys av massmediala artiklar. Den andra frågeställningen utreddes genom en diskurspsykologisk ansats på mikronivå, där intervjuer med pedagoger och elever analyserades med hjälp av samtalsanalys. Frågeställningarna tolkades empiriskt för att sedan analyseras gemensamt i en huvudtolkning utifrån teorin om Governmentality. Vad som framkom i huvudtolkningen var att: på både mikro och makro nivå visade resultatet att det sker en positionering av elever som övervakade inom övervakningsdiskursen. Denna positionering är ett uttryck för maktutövning, i synnerhet inom det offentliga rummet och i allmänhet genom samhällsdebatten.

Applications for sensor-based human activity recognition use the latest algorithms for the detection and classification of human everyday activities, both for online and offline use cases. The insights generated by those algorithms can in a next step be used within a wide broad of applications such as safety, fitness tracking, localization, personalized health advice and improved child and elderly care.In order for an algorithm to be performant, a significant amount of annotated data from a specific target audience is required. However, a satisfying data collection process is cost and labor intensive. This also may be unfeasible for specific target groups as aging effects motion patterns and behaviors. One main challenge in this application area lies in the ability to identify relevant changes over time while being able to reuse previously annotated user data. The accurate detection of those user-specific patterns and movement behaviors therefore requires individual and adaptive classification models for human activities.The goal of this degree work is to compare several supervised classifier performances when trained and tested on a newly iterative user-specific human activity classification approach as described in this report. A qualitative and quantitative data collection process was applied. The tree-based classification algorithms Decision Tree, Random Forest as well as XGBoost were tested on custom based datasets divided into three groups. The datasets contained labeled motion data of 21 volunteers from wrist worn sensors.Computed across all datasets, the average performance measured in recall increased by 5.2% (using a simulated leave-one-subject-out cross evaluation) for algorithms trained via the described approach compared to a random non-iterative approach. / Sensorbaserad aktivitetsigenkänning använder sig av det senaste algoritmerna för detektion och klassificering av mänskliga vardagliga aktiviteter, både i uppoch frånkopplat läge. De insikter som genereras av algoritmerna kan i ett nästa steg användas inom en mängd nya applikationer inom områden så som säkerhet, träningmonitorering, platsangivelser, personifierade hälsoråd samt inom barnoch äldreomsorgen.För att en algoritm skall uppnå hög prestanda krävs en inte obetydlig mängd annoterad data, som med fördel härrör från den avsedda målgruppen. Dock är datainsamlingsprocessen kostnadsoch arbetsintensiv. Den kan dessutom även vara orimlig att genomföra för vissa specifika målgrupper, då åldrandet påverkar rörelsemönster och beteenden. En av de största utmaningarna inom detta område är att hitta de relevanta förändringar som sker över tid, samtidigt som man vill återanvända tidigare annoterad data. För att kunna skapa en korrekt bild av det individuella rörelsemönstret behövs därför individuella och adaptiva klassificeringsmodeller.Målet med detta examensarbete är att jämföra flera olika övervakade klassificerares (eng. supervised classifiers) prestanda när dem tränats med hjälp av ett iterativt användarspecifikt aktivitetsklassificeringsmetod, som beskrivs i denna rapport. En kvalitativ och kvantitativ datainsamlingsprocess tillämpades. Trädbaserade klassificeringsalgoritmerna Decision Tree, Random Forest samt XGBoost testades utifrån specifikt skapade dataset baserade på 21 volontärer, som delades in i tre grupper. Data är baserad på rörelsedata från armbandssensorer.Beräknat över samtlig data, ökade den genomsnittliga sensitiviteten med 5.2% (simulerad korsvalidering genom utelämna-en-individ) för algoritmer tränade via beskrivna metoden jämfört med slumpvis icke-iterativ träning.

Att estimera slutpriset av en bostadsförsäljning är en komplex uppgift där mäklartexter som beskriver bostäder är en vital del av försäljningen. Denna rapport undersöker om det går att använda mäklartexter för att generera mer träffsäkra estimeringar med maskininlärningsmodeller. Två olika maskininlärningsmodeller implementerades som resultat av en litteraturstudie och utvärderades mot Boolis existerande OLS-modell. De implementerade modellerna är OLS-BERT och Elman regressionsnätverk. OLS-BERT visade en generell förbättring jämfört med Boolis OLS-modell, i synnerhet av F-statistik där mätvärdet sjönk med 99,8 procent. P-värdet i T-statistik för “vista” (utsikten) har sjunkit från 37,7 till 1 procent. Elman regressionsnätverket sänkte Boolis OLS-modells MAPE från 58,5 till 6,62 procent. Modellerna utvärderades med åtta olika mått varav de för studiens viktigaste är MAPE, MAE, F-statistik och T-statistik. Genom att bryta ut attribut ur mäklartexter kan modellen förklara signifikansen hos indata, samt få något mer träffsäkra estimeringar av slutpriset av en bostadsförsäljning. Resultaten visar att det är en intressant metod som med fördel kan vidare utforskas. / Estimating the price of home sales is a complex task, where broker texts describing the housing is a vital part of the sales. This study explore the possibility to use broker texts to generate more accurate estimations using machine learning models. Two different machine learning models were implemented as a result of a literature study and evaluated against Booli’s existing OLS-model. The implemented machine learning models are OLS-BERT and an Elman regression network. OLS-BERT showed a general improvement compared to Booli’s OLS-model, in particular the F-statistic were 99.8 percent lower than Booli’s OLS-model. The p-value in T-statistic for “vista” was 37.7 percent with Booli’s OLS-model and 1 percent with OLS-BERT. The Elman regression network lowered the MAPE of Booli’s OLS-model from 58.5 to 6.62 percent. All models were evaluated using eight different measures, of which the most important for this study is MAPE, MAE, F-statistic, and T-statistic. The conclusion is that by mining attributes from broker texts the models can explain the significance of the input and generate somewhat more accurate estimations of the home sales price of sale. The results show that this is an interesting method that should be further explored.