Since the early 2000s the space industry has undergone significant changes such as the advent of reusable launch vehicles and an increase of commercial opportunities. This new space age is characterized by a dynamic entrepreneurial climate, lowered barriers to access space and the emergence of new markets. New business models are being developed by many actors and the merging of space and other sectors continues, facilitating innovative and disruptive opportunities. Already established companies are adapting in various ways as efforts to stay relevant are gaining attention. The previous pace of development that was exclusively determined by governmental programs are now largely set by private and commercial ventures. Relating to all trends, new technologies and driving forces in the space industry is no trivial matter. By analyzing and examining identified trends and technologies the author has attempted to discern those that will have a significant impact on the industrial environment during the next decade. Market assessments have been summarized and interviews have been carried out. Discussions and conclusions relating to the services provided by the Swedish Space Corporation are presented. This report is intended to update the reader on the current status of the space industry, introduce concepts and provide relevant commentary on many important trends. / Sedan början av 2000-talet har det skett markanta förändringar inom rymdindustrin, såsom utvecklingen av återanvändningsbara raketer och en ökad mängd kommersiella möjligheter. Denna nya rymder a karaktäriseras av ett dynamiskt klimat för entreprenörer, minskande barriärer för att etablera rymdverksamhet och uppkomsten av nya marknader. Nya affärsmodeller utvecklas och integrering mellan rymden och andra industrier fortsätter, vilket ger utrymme för utveckling av innovativa och disruptiva idéer. Redan etablerade företag anpassar sig till förändringarna på olika sätt och ansträngningar för att bibehålla relevans prioriteras. Utvecklingstakten inom branschen var tidigare dominerad av statliga program men är nu alltmer influerad av privata och kommersiella satsningar. Att relatera till ny teknik, nuvarande trender och drivkrafter inom rymdindustrin är Jacob Ask is pursuing a Master of Science degree in Aerospace Engineering at KTH Royal Institute of Technology in Stockholm, Sweden. Christer Fuglesang is a professor in Space Travel, director of KTH Space Center and responsible for the Aerospace Engineering master program. He serves as the examiner for this master thesis project. Linda Lyckman is the Head of Business & Technology Innovation at SSC and supervisor for this master thesis project. komplext. Genom att undersöka och analysera identifierade trender och teknologier ämnar författaren urskilja de som kan komma att påverka industrin i störst utsträckning under det kommande decenniet. Bedömningar av marknadsmöjligheter och intervjuer har genomförts och i denna rapport presenteras ¨aven diskussioner och slutsatser relaterade till den typ av tjänster som Swedish Space Corporation erbjuder. Denna rapport har för avsikt att uppdatera läsaren om delar av den aktuella nulägesanalysen inom rymdindustrin, introducera koncept och ge relevanta kommentarer om viktiga trender.

Likt flera branscher utvecklas revisionsbranschen under tidens gång. Nya arbetssätt och verktyg introduceras för att utveckla revisionsutförandet. Ett av dessa verktyg som har implementerats av många revisionsbolag är Big data analys. Forskningsområdet kring Big data analys användande i revisionsutförandet är i ett inledande stadie, och resultaten är skilda. Tidigare forskning är dock ense om att Big data analys har en påverkan på revisionsutförandet och att revisorns kompetenser spelar en avgörande roll om användandet av Big data analys blir framgångsrikt. Till följd av detta var studiens syfte att undersöka vilken påverkan användningen av Big data analys har på revisionsutförandet samt vilka kompetenser som behövs vid användandet av Big data analys. Utifrån studiens syfte formuleradestre forskningsfrågor som behandlade Big data analys påverkan på revisionskvaliteten, revisionsutförandets legitimitet samt vilka kompetenser som behövs för att uppnå komfort och upprätthålla professionell skepticism i revisionsutförandet.För att uppnå studiens syfte har insamlingen av empiri grundat sig i en kvalitativ metod. Tio respondenter deltog i studien, varav sju var auktoriserade revisorer och resterande tre var revisorsassistenter.De slutsatser som studien generat är att revisorns kompetenser ansågs väsentliga för hur välfungerande användandet Big data analys var. Dock ansåg inte respondenterna att det var några nya kompetenser som behövdes vid användandet av Big data analys. Utan det var alltjämt en god förståelse för revision och redovisning som behövdes. Vidare ansågs Big data analys bidra till mer komfort i revisionsutförandet. Samtidigt som den professionella skepticismen alltjämt genomsyrade allt i revisions arbetssätt, och då även Big data analyser. Däremot påvisades det att användandet av Big data analys kunde hjälpa revisorer finna fler revisionsbevis, vilket hjälpte revisorn att vara professionellt skeptisk gentemot det reviderade bolaget. Big data analys förtjänster att testa en större population, jämfört med traditionella stickprov, ansågs öka den övergripande revisionskvaliteten. Detta medförde även att legitimiteten påverkades positivt hos de bolag som hade större kunder med mer transaktioner. Medan revisionsbolaget som jobbade mot kunder med mindre verksamheter inte upplevde samma positiva inverkan på deras legitimitet vid användningen av Big data analys i revisionsutförandet. / Like several industries, the auditing industry is evolving over time. New methods and tools are being introduced to enhance the auditing process. One of these methods that has been implemented by many audit firms is Big Data analysis. The research field on the use of Big Data analysis in auditing is in its early stages, and the results are mixed. However, previous research agreed that Big Data analysis has an impact on the auditing process, and the auditor's competencies play a crucial role in the successful implementation of Big Data analysis.As a result, the aim of this study was to investigate the impact of using Big Data analysis on the auditing process and identify the competencies required for its effective use. Based on the study's objective, three research questions were formulated, addressing the impact of Big Data analysis on audit quality, the legitimacy of the auditing process, and the competencies needed to achieve comfort and maintain professional skepticism in the audit process when using Big Data analysis. To achieve the study's objective, empirical data was collected using a qualitative methodology. Ten respondents participated in the study, including seven certified auditors and three audit assistants. The study's conclusions indicate that the auditor's competencies were considered essential for the successful implementation of Big Data analysis. However, the respondents did not believe that any new competencies were required specifically for conducting Big Data analysis reviews. Instead, a solid understanding of auditing and accounting was deemed necessary. Furthermore, Big Data analysis was seen to contribute to greater comfort in the audit process. At the same time, professional skepticism continued to permeate the entire auditing approach, including Big Data analysis. However, it was demonstrated that the use of Big Data analysis could help auditors find more audit evidence, aiding the auditor in maintaining professional skepticism toward the audited company. The advantages of Big Data analysis in testing a larger population, compared to traditional sampling, were seen to enhance overall audit quality. This also had a positive impact on the legitimacy of companies with larger clients and more transactions. Conversely, audit firms working with smaller businesses did not experience the same positive impact on their legitimacy when using Big Data analysis in the audit process.

During the last three decades, a number of studies based on national environmental monitoring data have found increased concentrations of total organic carbon (TOC) in surface waters in much of the northern hemisphere including Sweden. There are many hypothesis of what has been the main cause of this trend, including changes in land use, decreased atmospheric deposition of acidifying compounds and climate change. Different hypothesis may have different implications for quantifying pre-industrial levels and for future predictions of TOC concentrations, which in turn will have different implications for water classification according to the European Water Framework Directive, water management and drinking water treatment. To analyse the long term effects of industrialisation and climate change on TOC in surface waters there is a need for long term time series of data. Since environmental monitoring data in Sweden only extends back to the mid-1980s, other techniques must be used in order to reconstruct data. In this study, sediment cores from 17 lakes along a climatic and deposition gradient in Sweden were collected and analysed with visible near infrared spectroscopy (VNIRS), an analytical technique that makes it possible to reconstruct historic surface water concentrations of TOC to pre-industrial conditions. A previous study with VNIRS showed that TOC concentrations declined in response to sulfate deposition until peak sulfur deposition in 1980, and thereafter increased as a result of sharp reductions of sulfate emissions. It was noted that the rate of increase of TOC after 1980 was faster than the rate of decrease due to sulfate deposition before 1980. The purpose of this study was therefore to explore the hypothesis that increasing TOC concentrations have not only been due to recovery from acidification, but also due to changes in climate. It was possible to analyse the long term effects of industrialisation and climate change on surface water TOC by analysing the reconstructed TOC data together with climate data from the beginning of the 1900s, modelled data of atmospheric sulfate deposition and environmental monitoring data, with uni- and multivariate analysis methods. It was found that the recent increase in TOC concentrations could be explained by both decreases in acidifying atmospheric deposition and increased precipitation, while temperature may have a decreasing effect on TOC. It was also found that the rate of increase of TOC-concentrations has been faster in the colder northern parts of Sweden and slower in the warmer south. The results imply that TOC concentrations will continue to rise to unpreceded levels and should be of concern for drinking water treatment plants that will need to adapt their treatment processes in the future. / Under de senaste tre årtiondena har ett flertal studier baserade på data från nationella miljöövervakningsprogram rapporterat ökande koncentrationer av organiskt kol (TOC) i ytvatten på norra halvklotet inklusive Sverige. Det finns många hypoteser om vad som ligger bakom trenden, till exempel förändringar i markanvändning, minskad atmosfärisk deposition av försurande ämnen och klimatförändringar. Olika förklaringar till vad som ligger bakom den ökande trenden ger konsekvenser vid kvantifiering av förindustriella nivåer och för förutsägelser om framtida koncentrationer, vilket i sin tur ger konsekvenser för vattenklassificering enligt Ramvattendirektivet, vattenförvaltning och dricksvattenberedning. För att kunna analysera de långsiktiga effekterna av industrialisering och klimatförändringar på TOC i ytvatten behövs långa tidsserier av data. Då den svenska miljöövervakningen endast sträcker sig tillbaka till mitten av 1980-talet måste andra tekniker användas för att rekonstruera data. I den här studien har sedimentproppar från 17 sjöar längs en klimat- och depositionsgradient analyserats med visible near infrared spektroskopi (VNIRS), en analysteknik som gör det möjligt att rekonstruera TOC-koncentrationer i ytvatten till förindustriell tid. En tidigare studie med VNIRS visade att TOC-koncentrationer sjönk till följd av försurande nedfall fram till 1980 då nedfallet kraftigt minskade, varefter koncentrationer av TOC började öka. Det noterades i studien att ökningen av TOC efter 1980 varit snabbare än vad minskningen var före 1980 på grund av försurande nedfall. Syftet med den här studien var därför att undersöka hypotesen att den senaste tidens ökning av TOC inte bara berott på minskat nedfall av försurande ämnen, utan även på grund av klimatförändringar. Det var möjligt att undersöka de långsiktiga effekterna av industrialisering och klimatförändringar på TOC i ytvatten genom att analysera rekonstruerad TOC data, klimatdata från början av 1900-talet, modellerad sulfatdepositionsdata och miljöövervakningsdata med uni- och multivariata analysmetoder. Resultaten visade att den senaste tidens ökning av TOC kunde förklaras med både en minskande deposition av försurande ämnen och en ökad nederbörd, medan ökande temperaturer kan ha haft en minskande effekt på TOC. Resultaten visade även att förändringshastigheten av TOC-koncentrationer varit snabbare i de norra, kalla delarna av Sverige och långsammare i de varmare södra. Resultaten indikerar att koncentrationer av TOC kommer att öka till nivåer som aldrig tidigare skådats, vilket är något vattenreningsverk kommer att behöva anpassa sina reningsmetoder till i framtiden.

Interaction with digital products and interfaces concern more and more of human decision-making and the problems regarding environmental, financial and social sustainability are consequences much due to our behavior. The issues and goals of sustainable development therefore implies how we have to think differently about digital design. In this paper, we examine the adequacy of influencing sustainable behavior with a data-driven design approach, applying a conversational user interface. A case study regarding the United Nation’s goals of technological development and economic distribution was conducted, to see if a hypothetical business with a proof-of-concept digital product could be effective in influencing where companies base their operations. The test results showed a lack of usability and influence, but still suggested a potential with language-based interfaces. Even though the results could not prove anything, we argue that leveraging data analysis to design for sustainable behavior could be a very valuable strategy. A data-driven approach could enable ambitions of profit and user experience to coincide with those of sustainability, within a business organization.

About a third of the energy in Sweden is used for production in industry, where a few energy-intensive industries account for a large proportion of the energy use. When energy efficiency takes place here, the positive environmental effects will be substantial. Therefore, there is often great potential to reduce energy use in these industries. The purpose of this study is to investigate the company's energy use in order to be able to present proposals for cost-effective improvement measures that lead to a reduction in the company's energy consumption, which in turn leads to a reduced environmental impact. The study has used sustainable development, total quality management and Kotter’s 8-step process for leading change as a theoretical background. The study is a qualitative and quantitative case study and the data collection was done using semi-structured and unstructured interviews, observations and document analysis. The study’s results show that the company uses unnecessary energy in three energy consumption areas: compressed air, heating and electricity. To reduce energy use, the company needs to put in place a shut-down management, appoint an energy coordinator, prioritize preventive work, repair broken equipment and introduce preventive maintenance, optimize the ovens, involve employees in continuous improvement and to have a committed leadership. By reducing energy consumption, the company can reduce its impact on the environment, and by implementing the improvement measures, the company can save several million SEK each year. / Ungefär en tredjedel av energin i Sverige används för produktion inom industrin, där ett fåtal energiintensiva branscher står för en stor andel av industrins energianvändning. När energieffektivisering sker här blir de positiva miljöeffekterna stora. Därför finns det ofta stor potential att minska energianvändningen i dessa branscher. Syftet med denna studie är att undersöka företagets energianvändning för att sedan kunna presentera förslag på kostnadseffektiva förbättringsåtgärder som leder till en minskning av företagets energiförbrukning, vilket i sin tur leder till en minskad miljöpåverkan. Studien har använt sig av hållbar utveckling, hörnstensmodellen och Kotters 8-stegsmodell för förändringsledning som teoretisk bakgrund. Studien är en kvalitativ och kvantitativ fallstudie och datainsamlingen gjordes med hjälp av semistrukturerade och ostrukturerade intervjuer, observationer och dokumentstudier. Studiens resultat visar på att företaget använder energi i onödan inom tre energiförbrukningsområden: tryckluft, värme och el. För att minska energianvändningen behöver företaget införa avstängningsrutiner, utse en energikoordinator, prioritera förebyggande arbete, reparera trasig utrustning och införa förebyggande underhåll, optimera ugnarna, involvera medarbetarna i förbättringsarbetet och ha ett engagerat och delaktigt ledarskap. Genom att minska energiförbrukningen kan företaget minska sin påverkan på miljön och genom att implementera förbättringsåtgärder kan företaget spara flera miljoner kronor varje år.

Sustainability is a broad concept where sustainability factors have become more fundamental during the recent years. However, the importance of these factors has not been as central when explaining stock returns. Thus, we perform this study with the aim to investigate the relationship between sustainability factors and financial performance. Specifically, by investigating the relationship between environmental, social and governance (ESG) variables and risk premiums. This is evaluated during the period 2014 to 2021, based on stocks included in the MSCI ACWI index. The explanatory variables are used as different levels of sustainability factors, where they reach from ESG scores at the top, down to raw data points at the bottom. To investigate this relation, Panel regression is used, which is a common method when analyzing data including both time series and cross-sectional data. Further, we evaluate if the dependencies vary across sectors, different market performance periods, time periods, and geographical regions. The results obtained show a clear general trend, that sustainability factors have had a positive impact on financial performance. However, this result diverges depending on sectors, time periods, regions, and market performance. Further, we see an increasingly positive effect from sustainability factors over time, and differences arise when analyzing individual sectors. To sum up, from results, we can not conclude that highly ranked companies, in the shape of ESG scores, have yielded higher risk premiums over the observed period.  Based on that the relation has diverged during different time periods, which implies that further outcomes become more unreliable. The relationship between sustainability factors and financial performance is not the same in all sectors, which opposes the general result. We recommend that investors should be aware when investing sustainably because sectors and time periods have a great impact on potential outcomes. / Hållbarhet är ett väldigt brett begrepp, där flertalet hållbarhetsfaktorer under senaste åren har fått en större betydelse inom finans. Hållbarhetsfaktorer är dock oftast inte lika centralt när det kommer till att förklara avkastning. Därför genomförs denna studie för att undersöka relationen mellan hållbarhetfaktorer och finansiell prestationsförmåga, mer specifikt genom att undersöka sambandet mellan ESG variabler och riskpremier, vilket undersöks under perioden 2014 till 2021 på företag som är inkluderade i MSCI ACWI index. Som förklarande variabler används olika nivåer av hållbarhetsfaktorer, där skalan sträcker sig från sammanvägda poäng högst upp till rådatapunkter längst ner. För att undersöka denna relation används Panel regression, vilket är vanligt förekommande i studier som undersöker data som innehåller både tidsserier samt tvärsektioner, vilket även kallas för Panel data. Vidare undersöker även studien ifall detta samband varierar beroende på sektorer, geografiska regioner, tidsperioder och olika marknadsfaser. De erhållna resultaten visar en tydlig generell linje, att hållbarhetsfaktorer har haft en positiv påverkan på finansiell prestanda. Dock uppstår divergenser beroende på vilken tidsperiod, region och marknadsprestanda och sektor som analyseras. Resultatet påvisar att den positiva effekten från hållbarhetsfaktorer ökar över tiden, samt att den uppstår tydliga skillnader beroende på vilken sektor som analyseras. Slutligen, från resultatet, kan vi inte dra slutsatsen att högt rankade företag, i form av ESG scores, har generellt generat högre riskpremier under den observerade tidsperioden. Detta baserat på att hållbarhetsfaktorers påverkan har divergerat över den observerade tidsperioden, vilket betyder att framtida utfall blir mer oberäkneliga. Samtidigt är relationen mellan hållbarhetsfaktorer och finansiell prestanda inte den samma över sektorer, vilket går emot det generella resultatet. Vi rekommenderar därför investerare att vara varsamma vid investeringar baserade på hållbarhetsfaktorer, där sektorer och tidsperioder har centrala roller i potentiella utfall.

Parkinson’s Disease (PD) is the fastest growing neurodegenerative disease, currently affecting two to three percent of the population over 65. Studying functional connectivity (FC) in PD patients may provide new insights into how the disease alters brain organization in different subjects. We explored persistent homology (PH) as a method for studying FC based on the functional magnetic resonance imaging (fMRI) recordings of 63 subjects, of which 56 were diagnosed with PD.  We used PH to translate each set of fMRI recordings into a stable rank. Stable ranks are homological invariants that are amenable for statistical analysis. The pipeline has multiple parameters, and we explored the effect of these parameters on the shape of the stable ranks. Moreover, we fitted functions to reduce the stable ranks to points in two or three dimensions. We clustered the stable ranks based on the fitted parameter values and based on the integral distance between them. For some of the parameter combinations, not all clusters were located in the space covered by controls. These clusters correspond to patients with a topologically distinct connectivity structure, which may be clinically relevant. However, we found no relation between the clusters and the medication status or cognitive ability of the patients. It should be noted that this study was an exploration of applying persistent homology to PD data, and that statistical testing was not performed. Consequently, the presented results should be considered with care. Furthermore, we did not explore the full parameter space, as time was limited and the data set was small. In a follow-up study, a measurable desired outcome of the pipeline should be defined and the data set should be expanded to allow for optimizing over the full parameter space. / Parkinsons sjukdom är den snabbast växande neurodegenerativa sjukdomen och drabbar för närvarande två till tre procent av befolkningen över 65 år. Att studera funktionell konnektivitet (FC) hos patienter med Parkinson kan ge nya insikter om hur sjukdomen förändrar hjärnans uppsättning i olika områden. Vi använde oss av persistent homologi (PH) som en metod för att studera FC baserat på inspelningar av funktionell magnetresonanstomografi (fMRI) av 63 försökspersoner varav 56 hade diagnosen PD. Vi använde oss av persistent homologi (PH) som en metod för att studera FC baserat på inspelningar av funktionell magnetresonanstomografi (fMRI) av 63 försökspersoner varav 56 hade diagnosen PD. Vi använde PH för att översätta varje uppsättning fMRI-prov vardera till en stable rank. Stable ranks är homologiska invarianter som är lämpliga för statistisk analys. Pipelinen har flera parametrar och vi undersökte effekten av dessa parametrar på formen av dessa stable ranks. Vi anpassade funktioner för att reducera alla stable ranks till punkter i två eller tre dimensioner. Vi grupperade alla stable ranks utifrån de anpassade parametervärdena och utifrån det integrala avståndet mellan dem. För vissa parameterkombinationer kunde inte alla kluster inom det område som täcks av kontrollerna bli funna. Dessa kluster motsvarar patienter med en topologiskt distinkt konnektivitetsstruktur, vilket kan vara kliniskt relevant. Vi fann dock inget samband mellan klustren och patienternas läkemedelsstatus eller kognitiva förmåga.  Det bör noteras att den här studien var en undersökning på tillämpningen av persistent homologi på PD-data och att statistiska tester inte utfördes. Följaktligen bör de presenterade resultaten betraktas med försiktighet. Dessutom undersökte vi inte hela parameterutrymmet eftersom tiden var begränsad och datamängden liten. I en uppföljningsstudie bör man definiera ett mätbart önskat resultat av pipelinen och datamängden bör utökas för att möjliggöra optimering av hela parameterutrymmet.

This thesis explores the possibility of using session-based customers data from Svenska Handelsbanken AB to detect fraudulent sessions. Tools within Topological Data Analysis are employed to analyse customers behavior and examine topological properties such as homology and stable rank at the individual level. Furthermore, a RNN-LSTM model is, on a general behaviour level, trained to predict the customers next event and investigate its potential to detect anomalous behavior. The results indicate that simplicial complexes and their corresponding stable rank can be utilized to describe differences between genuine and fraudulent sessions on individual level. The use of a neural network suggests that there are deviant behaviors on general level concerning the difference between fraudulent and genuine sessions. The fact that this project was done without internal bank knowledge of fraudulent behaviour or historical knowledge of general suspicious activity and solely by data handling and anomaly detection shows great potential in session-based detection. Thus, this study concludes that the use of Topological Data Analysis and Neural Networks for detecting fraud and anomalous events provide valuable insight and opens the door for future research in the field. Further analysis must be done to see how effectively one could detect fraud mid-session. / I följande uppsats undersöks möjligheten att använda sessionbaserad kunddata från Svenska Handelsbanken AB för att detektera bedrägliga sessioner. Verktyg inom Topologisk Dataanalys används för att analysera kunders beteende och undersöka topologiska egenskaper såsom homologi och stabil rang på individnivå. Dessutom tränas en RNN-LSTM modell på en generell beteende nivå för att förutsäga kundens nästa händelse och undersöka dess potential att upptäcka avvikande beteende. Resultaten visar att simpliciella komplex och deras motsvarande stabil rang kan användas för att beskriva skillnader mellan genuina och bedrägliga sessioner på individnivå. Användningen av ett neuralt nätverk antyder att det finns avvikande beteenden på en generell nivå avseende skillnaden mellan bedrägliga och genuina sessioner. Det faktum att detta projekt genomfördes utan intern bankkännedom om bedrägerier eller historisk kunskap om allmäna misstänksamma aktiviteter och enbart genom datahantering och anomalidetektion visar stor potential för sessionbaserad detektion. Därmed drar denna studie slutsatsen att användningen av topologisk dataanalys och neurala nätverk för att upptäcka bedrägerier och avvikande händelser ger värdefulla insikter och öppnar dörren för framtida fortsätta studier inom området. Vidare analyser måste göras för att se hur effektivt man kan upptäcka bedrägerier mitt i sessioner.

This thesis studies offline reinforcement learning as an optimization technique for downlink link adaptation, which is one of many control loops in Radio access networks. The work studies the impact of the quality of pre-collected datasets, in terms of how much the data covers the state-action space and whether it is collected by an expert policy or not. The data quality is evaluated by training three different algorithms: Deep Q-networks, Critic regularized regression, and Monotonic advantage re-weighted imitation learning. The performance is measured for each combination of algorithm and dataset, and their need for hyperparameter tuning and sample efficiency is studied. The results showed Critic regularized regression to be the most robust because it could learn well from any of the datasets that were used in the study and did not require extensive hyperparameter tuning. Deep Q-networks required careful hyperparameter tuning, but paired with the expert data it managed to reach rewards equally as high as the agents trained with Critic Regularized Regression. Monotonic advantage re-weighted imitation learning needed data from an expert policy to reach a high reward. In summary, offline reinforcement learning can perform with success in a telecommunication use case such as downlink link adaptation. Critic regularized regression was the preferred algorithm because it could perform great with all the three different datasets presented in the thesis. / Denna avhandling studerar offline reinforcement learning som en optimeringsteknik för nedlänks länkanpassning, vilket är en av många kontrollcyklar i radio access networks. Arbetet undersöker inverkan av kvaliteten på förinsamlade dataset, i form av hur mycket datan täcker state-action rymden och om den samlats in av en expertpolicy eller inte. Datakvaliteten utvärderas genom att träna tre olika algoritmer: Deep Q-nätverk, Critic regularized regression och Monotonic advantage re-weighted imitation learning. Prestanda mäts för varje kombination av algoritm och dataset, och deras behov av hyperparameterinställning och effektiv användning av data studeras. Resultaten visade att Critic regularized regression var mest robust, eftersom att den lyckades lära sig mycket från alla dataseten som användes i studien och inte krävde omfattande hyperparameterinställning. Deep Q-nätverk krävde noggrann hyperparameterinställning och tillsammans med expertdata lyckades den nå högst prestanda av alla agenter i studien. Monotonic advantage re-weighted imitation learning behövde data från en expertpolicy för att lyckas lära sig problemet. Det datasetet som var mest framgångsrikt var expertdatan. Sammanfattningsvis kan offline reinforcement learning vara framgångsrik inom telekommunikation, specifikt nedlänks länkanpassning. Critic regularized regression var den föredragna algoritmen för att den var stabil och kunde prestera bra med alla tre olika dataseten som presenterades i avhandlingen.

Variational Auto-Encoders (VAEs) are one of the most famous deep generative models. After showing that standard VAEs may not preserve the topology, that is the shape of the data, between the input and the latent space, we tried to modify them so that the topology is preserved. This would help in particular for performing interpolations in the latent space. Our main contribution is two folds. Firstly, we propose successfully the InvMap-VAE which is a simple way to turn any dimensionality reduction technique, given its embedding, into a generative model within a VAE framework providing an inverse mapping, with all the advantages that this implies. Secondly, we propose the Witness Simplicial VAE as an extension of the Simplicial Auto-Encoder to the variational setup using a Witness Complex for computing a simplicial regularization. The Witness Simplicial VAE is independent of any dimensionality reduction technique and seems to better preserve the persistent Betti numbers of a data set than a standard VAE, although it would still need some further improvements. Finally, the two first chapters of this master thesis can also be used as an introduction to Topological Data Analysis, General Topology and Computational Topology (or Algorithmic Topology), for any machine learning student, engineer or researcher interested in these areas with no background in topology. / Variations autokodare (VAE) är en av de mest kända djupa generativa modellerna. Efter att ha visat att standard VAE inte nödvändigtvis bevarar topologiska egenskaper, det vill säga formen på datan, mellan inmatningsdatan och det latenta rummet, försökte vi modifiera den så att topologin är bevarad. Det här skulle i synnerhet underlätta när man genomför interpolering i det latenta rummet. Denna avhandling består av två centrala bidrag. I första hand så utvecklar vi InvMap-VAE, som är en enkel metod att omvandla vilken metod inom dimensionalitetsreducering, givet dess inbäddning, till en generativ modell inom VAE ramverket, vilket ger en invers avbildning och dess tillhörande fördelar. För det andra så presenterar vi Witness Simplicial VAE som en förlängning av en Simplicial Auto-Encoder till dess variationella variant genom att använda ett vittneskomplex för att beräkna en simpliciel regularisering. Witness Simplicial VAE är oberoende av dimensionalitets reducerings teknik och verkar bättre bevara Betti-nummer av ett dataset än en vanlig VAE, även om det finns utrymme för förbättring. Slutligen så kan de första två kapitlena av detta examensarbete också användas som en introduktion till Topologisk Data Analys, Allmän Topologi och Beräkningstopologi (eller Algoritmisk Topologi) till vilken maskininlärnings student, ingenjör eller forskare som är intresserad av dessa ämnesområden men saknar bakgrund i topologi.