No description available.

The challenge of interoperability is to retain model integrity when different software applications exchange and interpret model data. Transferring CAD data between heterogeneous CAD systems is a challenge because of differences in feature representation. A study by the National Institute for Standards and Technology (NIST) performed in 1999 made a conservative estimate that inadequate interoperability in the automotive industry costs them $1 billion per year. One critical part of eliminating the high costs due to poor interoperability is a neutral format between heterogeneous CAD systems. An effective neutral CAD format should include a current-state data store, be associative, include the union of CAD features across an arbitrary number of CAD systems, maintain design history, maintain referential integrity, and support multi-user collaboration. This research has focused on extending an existing synchronous collaborative CAD software tool to allow for a neutral, current-state data store. This has been accomplished by creating a Neutral Parametric Canonical Form (NPCF) which defines the neutral data structure for many basic CAD features to enable translation between heterogeneous CAD systems. The initial architecture developed begins to define a new standard for storing CAD features neutrally. The NPCF's for many features have been implemented in a multi-user interoperability program and work between NX and CATIA CAD systems. The 2D point, 2D line, 2D arc, 2D circle, 2D spline, 3D point, extrude, and revolve NPCF's will be specifically defined. Complex models have successfully been modeled and exchanged in real time and have validated the NPCF approach. Multiple users can be in the same part at the same time in different CAD systems and create and update models in real time.

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.

Machine learning methods can be used for solving important binary classification tasks in domains such as display advertising and recommender systems. In many of these domains categorical features are common and often of high cardinality. Using one-hot encoding in such circumstances lead to very high dimensional vector representations, causing memory and computability concerns for machine learning models. This thesis investigated the viability of a binary encoding scheme in which categorical values were mapped to integers that were then encoded in a binary format. This binary scheme allowed for representing categorical features using log2(d)-dimensional vectors, where d is the dimension associated with a one-hot encoding. To evaluate the performance of the binary encoding, it was compared against one-hot and feature hashed representations with the use of linear logistic regression and neural networks based models. These models were trained and evaluated using data from two publicly available datasets: Criteo and Census. The results showed that a one-hot encoding with a linear logistic regression model gave the best performance according to the PR-AUC metric. This was, however, at the expense of using 118 and 65,953 dimensional vector representations for Census and Criteo respectively. A binary encoding led to a lower performance but used only 35 and 316 dimensions respectively. For Criteo, binary encoding suffered significantly in performance and feature hashing was perceived as a more viable alternative. It was also found that employing a neural network helped mitigate any loss in performance associated with using binary and feature hashed representations. / Maskininlärningsmetoder kan användas för att lösa viktiga binära klassificeringsuppgifter i domäner som displayannonsering och rekommendationssystem. I många av dessa domäner är kategoriska variabler vanliga och ofta av hög kardinalitet. Användning av one-hot-kodning under sådana omständigheter leder till väldigt högdimensionella vektorrepresentationer. Detta orsakar minnesoch beräkningsproblem för maskininlärningsmodeller. Denna uppsats undersökte användbarheten för ett binärt kodningsschema där kategoriska värden var avbildade på heltalvärden som sedan kodades i ett binärt format. Detta binära system tillät att representera kategoriska värden med hjälp av log2(d) -dimensionella vektorer, där d är dimensionen förknippad med en one-hot kodning. För att utvärdera prestandan för den binära kodningen jämfördes den mot one-hot och en hashbaserad kodning. En linjär logistikregression och ett neuralt nätverk tränades med hjälp av data från två offentligt tillgängliga dataset: Criteo och Census, och den slutliga prestandan jämfördes. Resultaten visade att en one-hot kodning med en linjär logistisk regressionsmodell gav den bästa prestandan enligt PR-AUC måttet. Denna metod använde dock 118 och 65,953 dimensionella vektorrepresentationer för Census respektive Criteo. En binär kodning ledde till en lägre prestanda generellt, men använde endast 35 respektive 316 dimensioner. Den binära kodningen presterade väsentligt sämre specifikt för Criteo datan, istället var hashbaserade kodningen en mer attraktiv lösning. Försämringen i prestationen associerad med binär och hashbaserad kodning kunde mildras av att använda ett neuralt nätverk.

It is widely recognized that the world’s over-reliance on transportation contributes to many environmental problems, especially in urban areas. Sustainable  mobility is a solution and an important dimension of a Smart City. Shared mobility services are part of sustainable mobility and they are widening its portfolio especially in the past decade. However, the number of users is still low compared to its high potential, and innovative solutions can only succeed with the combination  of increasing the awareness of citizens, incentivizing them, and promoting their behavioural change. This paper is dedicated to the shared mobility business models as part of the collaborative consumption, and finding out the challenges and opportunities of this emerging market in a Swedish context and comparing it to a Moroccan one.  The goal is to explore the key features of the main market players and the possible ways of improvements that could possibly take carpooling and car-sharing to a next level. It explores the high potential of gamification and other mechanisms to incentivize voluntary behavioural changes towards shared  mobility solutions. In a first place the theoretical part provide an overview of the shared mobility in general with its different aspects highlighting the role of new technologies and internet in the development of this concept. An online survey aimed at testing the knowledge of the respondents on the concept, discover which elements affect  their involvement and find out how things can be improved by analysing the feedbacks. / Det är allmänt känt att världens beroenden av transporter bidrar till många miljöproblem, särskilt i stadsområden. Hållbar mobilitet är en lösning och en viktig dimension i en smart stad. Delade mobilitetstjänster är en del av hållbar mobilitet och dess portfölj har utökats särskilt under det senaste decenniet. Antalet användare är dock fortfarande lågt jämfört med den höga potentialen och innovativa lösningar kan bara lyckas med kombinationen av att öka medvetenheten om medborgarna, stimulera dem och främja deras beteendeförändringar. Denna rapport är inriktat på affärsmodellerna för delad mobilitet som en del av konsumtion genom samarbete och identifierar utmaningarna och möjligheterna på den nya marknaden i ett svenskt sammanhang och jämför det med en marockansk. Målet är att utforska huvudaktörerna hos de viktigaste marknadsaktörerna och möjliga sätt för förbättringar som möjligen kan ta bilpoolning och bildelning till nästa nivå. Potentialen inom gamification och andra mekanismer för att stimulera frivilliga beteendemässiga förändringar mot gemensamma mobila lösningar undersöks. Inledningsvis ger den teoretiska delen en översikt över den delade mobiliteten i allmänhet med sina olika aspekter som framhäver rollen som ny teknik och internet vid utvecklingen av detta koncept. Genom en online-undersökning som syftar till att testa kunskapen om konceptet hos de svarande, har faktorer som påverkar deras engagemang och hur saker kan förbättras identifierats.

Formal features of video such as shot composition and graphic design can weigh heavily on the success or failure of educational videos. Many studies have assessed the proper use of these techniques given the psychological expectations that viewers have for video programming (Hawkins et al., 2002; Kenny, 2002; Lang, Zhou, Schwardtz, Bolls, & Potter, 2000; McCain, Chilberg, & Wakshlag, 1977; McCain & Repensky, 1972; Miller, 2005; Morris, 1984; Roe, 1998; Schmitt, Anderson, & Collins, 1999; Sherman & Etling, 1991; Tannenbaum & Fosdick, 1960; Wagner, 1953). This study examined formal features within the context of the newly emerging distribution method of viewing video productions on mobile handheld devices. Shot composition and graphic design were examined in the context of an educational video to measure whether or not they had any influence on user perceptions of learning and learning outcomes. The two formal features were modified for display on 24 inch screens and on 3.5 inch or smaller screens. Participants were shown one of the four modified treatments, then presented with a test to measure whether or not the modified formal features had any impact or influence on learning outcomes from a sample of 132 undergraduate college students. No significant differences were found to occur as a result of manipulation of formal features between the treatment groups.

Data Science plays an essential role in many organizations and industries to become data-driven in their decision-making and workflow, as models can provide relevant input in areas such as social media, the stock market, and manufacturing industries. To train models of quality, data preparation methods such as feature extraction are used to extract relevant features. However, global features are often ignored when feature extraction is performed on time-series datasets. This thesis aims to investigate how state-of-the-art tools and methods in data preparation and analytics can be used to extract global features and evaluate if such data could improve the performance of ML models. Global features refer to information that summarizes a full dataset such as the mean and median values from a numeric dataset. They could be used as inputs to make models understand the dataset and generalize better towards new data. The thesis went through a literature study to analyze feature extraction methods, time-series data, the definition of global features, and their benefits in bioprocessing. An effort was conducted to analyze and extract global features using tools and methods for data manipulation and feature extraction. The data used in the study consists of bioprocessing measurements of E. Coli cell growth as time-series data. The global features were evaluated through a performance comparison between models trained on a combined set of the dataset and global features, and models trained only on the full dataset. The study presents a method to extract global features with open-source tools and libraries, namely the Python language and the Numpy, Pandas, Matplot, and Scikit libraries. The quality of the global features depends on the experience in data science, data structure complexity, and domain area knowledge. The results show that the best models, trained on the dataset and global features combined, perform on average 15-18% better than models trained only on the dataset. The performance depends on the type and the number of global features combined with the dataset. Global features could be useful in manufacturing industries such as pharmaceutical and chemical, by helping models predict the inputs that lead to the desired trends and output. This could help promote sustainable production in various industries. / Datavetenskap spelar en stor roll inom många organsationer och industrier för att bli data-drivna inom beslutsfattande och arbetsflöde, varav maskininlärningsmodeller kan ge relevanta förslag inom områden som social media, aktiemarknaden samt tillverkningsindustrin. För att träna kvalitativa modeller används dataförberedande verktyg som funktionsextraktion för att utvinna relevanta egenskaper från data. Dock tar man ej hänsyn till globala egenskaper när funktionsextraktion utförs på tidsserie data. Denna examensarbete undersöker hur nuvarande verktyg inom dataförberededning och analys can användas för att utvinna global funktioner och utvärderar om sådan data kan förbättra prestandan hos maskinlärningsmodeller. Globla funktioner beskriver information som sammanfattar hel data, till exempel medelvärdet och medianen. De kan användas som indata för att få modeller förstå data och generalizera bättre mot ny data. Först utfördes en litteraturstudie inom metoder för funktionsextraktion, tidsserie data, definition av globala egenskaper samt möjligheter inom bioutvinning. Därefter utfördes en analys och utvinning av globala egenskaper med verktyg och metoder för data manipulation och funktionsutvinning. Den data som användes i arbetet består av mätningar från bioutvinning av E. Coli bakterier i form av tidsserie data. De globala funktionerna utvärderades genom en jämnförelse mellan modeller tränade på kombination av hel data och globala funktioner, och modeller tränade enbart på hel data. Studien presenterar en metod för att extrahera globala funktioner med öppet tillgänglig verktyg och bibliotek, som Python språket och Numpy, Pandas, Matplot och Scikit bibloteken. Kvaliteten på de globala funktionerna baseras på erfarenheten inom datavetenskap, datas komplexitet samt förståelse för domänområdet. Resultat visar att de bästa modellerna, tränade på data och globala funktioner, presterar i genomsnitt 15-18% bättre än modeller som tränats enbart på hel data. Prestandan detta beror på typen och antalet globala funktioner som kobineras med ursprungliga datat. Globala funktioner kan vara till nytta inom tillverkningsindustrier som farmaceutisk eller kemiska, genom att hjälpa modeller att förutsäga ingångsparametrar som leder till önskad produktion. Detta kan bidra till en hållbar produktion imon flera industrier.

I det här arbetet har variationen av närliggande övningsuppgifter i svenska matematikläromedel för gymnasiet studerats, genom att framförallt betrakta förekomsten av inflätad övning och dess motsats, blockövning, men även SSDD-uppgifter. Detta gjordes genom att kategorisera uppgifternas yt- och djupstrukturer och definiera inflätad övning och SSDD-uppgifter utifrån likhet och olikhet av dessa. En diskussion av vilka konsekvenser den observerade variationen kan ha för lärande har också gjorts, genom teoretiska perspektiv av relevans för inflätad övning, vilka främst varit distribuerat lärande, kontrastering och motivation. Resultaten visar att blockövning dominerar med 65 % av lektionsuppgifterna, mot 14 % inflätad övning, men att denna uppdelning varierar mycket. Inflätad övning är koncentrerad till de blandade övningarna i slutet på varje kapitel, och till ett fåtal avsnitt, medan nästan hälften av avsnitten inte har några inflätade övningar. SSDD-uppgifter finns nästan inte alls. Konsekvenserna är främst ett kortsiktigt lärande som inte ger eleverna tillräckligt med övning i att välja strategi när de ska lösa uppgifter, jämfört med om en högre grad av inflätad övning hade använts.

Idag väljer allt fler varumärken att förändra designen i sina logotyper, något som orsakat starka reaktioner hos konsumenterna. Genom logotypens visuella element, såsom färg och form, kan känslor, som bland annat hoppfullhet och förtroende, samt associationer till specifika föremål eller företeelser, framkallas hos konsumenterna. Därtill kan logotypens design även skapa positiva attityder som i sin tur kan smitta av sig på varumärket. Den här studien ämnar utforska potentiella konsumenters uppfattning om förändrade logotypers designegenskaper och element. Vidare ämnar studien att bygga en interaktiv miljö för att besvara studiens frågeställningar. Studien är genomförd med en kombination av en kvantitativ och en kvalitativ metod i form av en webbaserad designenkät. Webbenkäten innehåller en inledande interaktiv del som innefattar logotypdesignande. Därefter berörs både öppna (kvalitativa) och slutna (kvantitativa) frågor angående val av designelement och logotyper i förhållande till förtroende (attityd).  Resultaten visade att färger som grön, blå och gul med fördel kan användas i varumärkeslogotyper som berör miljö, hållbarhet och energi. Varumärken som befinner sig inom fordonsindustrin kan inkludera färger som blå, silver och svart i första hand, därefter grön och gul. Grön är mest fördelaktig i samband med varumärkeslogotyper som tillhandahåller musikstreamingtjänster, då associationer till musik är framträdande. För att förmedla känslor som exempelvis hoppfullhet, lugn, säkerhet, seriositet, förtroende, framtidstro, harmoni och positivitet kan blå och grön användas i logotypdesignen. För att framkalla ett större förtroende gentemot ett varumärke kan antingen en balans skapas, med hjälp av former, eller en logotypram implementeras. / Today, more and more brands are choosing to change the design of their logos, something that has caused strong reactions from consumers. Through the logo's visual elements (such as color and shape) emotions, such as hopefulness and confidence, as well as associations with specific objects or phenomena, can be evoked in consumers. In addition, the logo's design can also create positive attitudes that in turn can be transferred to the brand. This study aims to explore potential consumers' perceptions of the design properties and elements of changing logos. Furthermore, the study intends to build an interactive environment to answer the study's questions. The study was conducted with a combination of a quantitative and a qualitative method in the form of a web-based design survey. The web survey includes an introductory interactive part that includes logo design. Then, both open (qualitative) and closed (quantitative) questions regarding the choice of design elements and logos in relation to confidence (attitude) are presented.  The results showed that colors such as green, blue and yellow can be used to advantage in brand logos that affect the environment, sustainability and energy. Brands connected to the automotive industry can include colors such as blue, silver and black in primarily, then green and yellow. Green is most beneficial in connection with brand logos that provide music streaming services, as associations to music are prominent. To convey emotions such as hopefulness, calm, security, seriousness, confidence, optimism, harmony and positivity, blue and green can be used in the logo design. In order to evoke greater trust in a brand, either a balance can be created, with the help of shapes, or a logo frame can be implemented.

Данная диссертация анализирует текущую ситуацию в области экстремистских проявлений на религиозной и националистической почве в Кыргызской Республике, и предлагает, разработанные в ходе исследования, рекомендации и предложения по их профилактике. / This dissertation analyzes the current situation in the field of extremist manifestations on religious and nationalistic grounds in the Kyrgyz Republic, and offers recommendations and suggestions for their prevention developed in the course of the research.