Syftet med denna studie är att undersöka, beskriva och analysera musiklärares syn på sitt arbete med gruppdynamik i ensembleundervisning inom olika musikgenrer. Metoden som har använts för att uppnå detta är kvalitativa intervjuer enligt hermeneutisk metod samt analyser. Analyserna utgår från teoretiska perspektiv hämtade från Lewin, Forsyth och Blumer och används för att definiera informanternas syn på ensembler samt beskriva hur olika faktorer påverkar varandra när det gäller dynamik i grupper. Resultatet handlar om hur informanterna definierar grupperna de leder och därigenom vad de anser skapar en grupp. Det handlar även om vilken energi som finns i en grupp, hur informanterna går till väga för att fånga gruppen i stunden samt varför de anser det vara viktigt och hur gruppers sammansättning påverkar gruppdynamiken och lärandesituationen. Sammanfattningen av analysen genom Lewins formel gav bland annat att energin i grupper har en framträdande roll för informanterna, till exempel hur någon(-s) energi påverkar annan(-s) energi. Lärare och elevers dagsform gör att de påverkar på olika sätt samt är olika mycket mottagliga, och att det aldrig går att förutse hur en grupplektion kommer att bli. Analysen genom Lewins formel visar också i informanternas svar att ensemblen är beroende av sammansättningen av elever, vilka elever som kom just den dagen, och vad de varit med om. Lärarens jobb är att kunna hantera situationen i stunden och vara beredd på föränderligheten. / The purpose of this study is to explore, describe and analyze the views of music teachers and their work with group dynamics in student ensembles in various musical genres. The applied method in this study is qualitative interviews according to phenomenological methodology and analysis. The theoretical perspectives are taken from Lewin, Forsyth and Blumer, and are used to define the perspectives of the informants regarding ensembles and how they affect each other regarding group dynamics. The result appertains to how the informants define the groups they are leading, and thus what they consider creates a group. It is also about the energy contained in a group, how the informants are capturing the group at a particular moment and why they believe this is important and how the make-up of a group affects the group dynamics and the learning situation. The summary of the analysis by Lewin's formula states that the energy of the groups have a prominent role for the informants, such as how some/someone’s energy affects another/another’s energy. The emotional state of teachers and students make an impact in different ways and are also affected in various ways, and that it is impossible to predict how a group lesson will be. The analysis by Lewin's formula related to the result also indicates that the ensemble depends on the composition of students. Which students who came that day, and in which mental state they are. The teacher's duty is to handle the situation at hand, and be prepared for the unexpected.

Detta självständiga arbete fokuserar på att utforska hur gymnasieelever som läser ett nationellt program med musik som tillval uppfattar ensemblespel. Syftet med arbetet är att bidra med kunskap om hur dessa elever ser på och upplever ensemblespel. För att besvara frågeställningarna användes en kvalitativ metod med fokusgruppsintervjuer för att samla in data från ett homogent urval av elever. Resultatet som besvarar frågeställningarna visar att eleverna beskriver ensemblespel som en möjlighet att utveckla färdigheter i social interaktion, samarbete och ledarskap. Eftersom musik inte är elevernas huvudämne har de sällan samma tid för övning och musikalisk ambition som elever med musik som huvudämne har, vilket gör att en stark gruppdynamik värdesätts högre än speltekniska färdigheter. Det förekommer även gruppdynamiska svårigheter, och resultatet visar på att processen för att ta ett demokratiskt beslut ibland är en orsak till stress inom gruppen. Trots dessa svårigheter är elevernas inställning till ensemblespel positiv och ensemble ses som ett roligt och engagerande komplement till den annars teoretiska skolveckan. Resultatet av detta arbete ger en större inblick i elevernas syn på ensembleundervisning, vilket kan hjälpa musikpedagoger som vill förbättra kvaliteten och tillgängligheten för musikutbildning i gymnasieskolor. / This study focuses on exploring how high school students who are studying a national program with music as an optional subject perceive ensemble classes. The aim of this research is to contribute with knowledge about how these students view and experience ensemble classes. The study employed a qualitative approach, using focus group interviews to collect data from a homogenous sample of students. Findings show that ensemble classes provide the students with opportunities for developing skills in social interaction and teamwork as well as leadership. Since music isn’t their primary subject, they rarely have the same musical competence or time for practice as students with music as primary subject do, which is why a strong group dynamic is highly valued. However, the students also expressed difficulties about said group dynamic, finding the process of a democratic decision to sometimes be a cause of distress within the group. Despite these difficulties the students view ensemble classes in a positive light, seeing them as a fun and engaging complement to the otherwise theoretical school week. The findings of this study focus of the students’ perception of ensemble, which can benefit music educators who seek to improve the quality and accessibility of music education in high schools.

With the development of deep learning methods the requirement of having access to large amounts of data has increased. In this study, we have looked at methods for leveraging unlabeled data while only having access to small amounts of labeled data, which is common in real-world scenarios. We have investigated a method called self-training for leveraging the unlabeled data when training a model. It works by training a teacher model on the labeled data that then labels the unlabeled data for a student model to train on. A popular method in machine learning is ensembling which is a way of improving a single model by combining multiple models. With previous studies mainly focusing on self-training with image data and showing that ensembles can successfully be used for images, we wanted to see if the same applies to text data. We mainly focused on investigating how ensembles can be used as teachers for training a single student model. This was done by creating different ensemble models and comparing them against the individual members in the ensemble. The results showed that ensemble do not necessarily improves the accuracy of the student model over a single model but in certain cases when used correctly they can provide benefits. We found that depending on the dataset bagging BERT models can perform the same or better than a larger BERT model and this translates to the student model. Bagging multiple smaller models also has the benefit of being easier to scale and more computationally efficient to train in comparison to scaling a single model. / Med utvecklingen av metoder för djupinlärning har kravet på att ha tillgång till stora mängder data ökat som är vanligt i verkliga scenarier. I den här studien har vi tittat på metoder för att utnytja oannoterad data när vi bara har tillgång till små mängder annoterad data. Vi har undersökte en metod som kallas självträning för att utnytja oannoterd data när man tränar en modell. Det fungerar genom att man tränar en lärarmodell på annoterad data som sedan annoterar den oannoterade datan för en elevmodell att träna på. En populär metod inom maskininlärning är ensembling som är en teknik för att förbättra en ensam modell genom att kombinera flera modeller. Tidigare studier har främst inriktade på självträning med bilddata och visat att ensembler framgångsrikt kan användas för bild data, vill vi se om detsamma gäller för textdata. Vi fokuserade främst på att undersöka hur ensembler kan användas som lärare för att träna en enskild elevmodell. Detta gjordes genom att skapa olika ensemblemodeller och jämföra dem med de enskilda medlemmarna i ensemblen. Resultaten visade att ensembler inte nödvändigtvis förbättrar elevmodellens noggrannhet jämfört med en enda modell, men i vissa fall kan de ge fördelar när de används på rätt sätt. Vi fann att beroende på datasetet kan bagging av BERT-modeller prestera likvärdigt eller bättre än en större BERT-modell och detta översätts även till studentmodellen prestandard. Att använda bagging av flera mindre modeller har också fördelen av att de är lättare att skala up och mer beräkningseffektivt att träna i jämförelse med att skala up en enskild modell.

Deep Neural Networks (DNNs) have shown promising results in classifying known Low-probability-of-intercept (LPI) radar signals in noisy environments. However, regular DNNs produce low-quality confidence and uncertainty estimates, making them unreliable, which inhibit deployment in real-world settings. Hence, the need for robust uncertainty estimation methods has grown, and two categories emerged, Bayesian approximation and ensemble learning. As autonomous LPI radar classification is deployed in safety-critical environments, this study compares Bayesian Neural Networks (BNNs) and Deep Ensembles (DEs) as uncertainty estimation methods. We synthetically generate a training and test data set, as well as a shifted data set where subtle changes are made to the signal parameters. The methods are evaluated on predictive performance, relevant confidence and uncertainty estimation metrics, and method-related metrics such as model size, training, and inference time. Our results show that our DE achieves slightly higher predictive performance than the BNN on both in-distribution and shifted data with an accuracy of 74% and 32%, respectively. Further, we show that both methods exhibit more cautiousness in their predictions compared to a regular DNN for in-distribution data, while the confidence quality significantly degrades on shifted data. Uncertainty in predictions is evaluated as predictive entropy, and we show that both methods exhibit higher uncertainty on shifted data. We also show that the signal-to-noise ratio affects uncertainty compared to a regular DNN. However, none of the methods exhibit uncertainty when making predictions on unseen signal modulation patterns, which is not a desirable behavior. Further, we conclude that the amount of available resources could influence the choice of the method since DEs are resource-heavy, requiring more memory than a regular DNN or BNN. On the other hand, the BNN requires a far longer training time. / Tidigare studier har visat att djupa neurala nätverk (DNN) kan klassificera signalmönster för en speciell typ av radar (LPI) som är skapad för att vara svår att identifiera och avlyssna. Traditionella neurala nätverk saknar dock ett naturligt sätt att skatta osäkerhet, vilket skadar deras pålitlighet och förhindrar att de används i säkerhetskritiska miljöer. Osäkerhetsskattning för djupinlärning har därför vuxit och på senare tid blivit ett stort område med två tydliga kategorier, Bayesiansk approximering och ensemblemetoder. LPI radarklassificering är av stort intresse för försvarsindustrin, och tekniken kommer med största sannolikhet att appliceras i säkerhetskritiska miljöer. I denna studie jämför vi Bayesianska neurala nätverk och djupa ensembler för LPI radarklassificering. Resultaten från studien pekar på att en djup ensemble uppnår högre träffsäkerhet än ett Bayesianskt neuralt nätverk och att båda metoderna uppvisar återhållsamhet i sina förutsägelser jämfört med ett traditionellt djupt neuralt nätverk. Vi skattar osäkerhet som entropi och visar att osäkerheten i metodernas slutledningar ökar både på höga brusnivåer och på data som är något förskjuten från den kända datadistributionen. Resultaten visar dock att metodernas osäkerhet inte ökar jämfört med ett vanligt nätverk när de får se tidigare osedda signal mönster. Vi visar också att val av metod kan influeras av tillgängliga resurser, eftersom djupa ensembler kräver mycket minne jämfört med ett traditionellt eller Bayesianskt neuralt nätverk.

Chromosome classification is one of the essential tasks in karyotyping to diagnose genetic abnormalities like some types of cancers and Down syndrome. Deep convolutional neural networks have been widely used in this task, and the accuracy of classification models is exceptionally critical to such sensitive medical diagnoses. However, it is not always possible to meet the expected accuracy rates for diagnosis. So, it is vital to tell how certain or uncertain a model is with its decision. In our work, we use two metrics, entropy and variance, as uncertainty measurements. Moreover, three additional metrics, fail rate, workload, and tolerance range, are used to measure uncertainty metrics’ quality. Four different non-Bayesian methods: deep ensembles, snapshot ensembles, Test Time Augmentation, and Test Time Dropout, are used in experiments. A negative correlation is observed between the accuracy and the uncertainty estimation; the higher the accuracy of the model, the lower the uncertainty. Densenet121 with deep ensembles as the uncertainty evaluation method and variance as the uncertainty metric gives the best outcomes. Densenet121 provides a wider tolerance range and better separation between uncertain and certain predictions. / Kromosomklassificering är en av de viktigaste uppgifterna i Karyotyping för att diagnostisera genetiska abnormiteter som vissa typer av cancer och Downs syndrom. Deep Convolutional Neural Networks har använts i stor utsträckning i denna uppgift, och noggrannheten hos klassificeringsmodeller är exceptionellt kritisk för sådana känsliga medicinska diagnoser. Det är dock inte alltid möjligt att uppfylla de förväntade noggrannhetsgraderna för diagnos. Så det är viktigt att berätta hur säker eller osäker en modell är med sitt beslut. Forskning har gjorts för att uppskatta osäkerheten med bayesiska metoder och icke-bayesiska neurala nätverk, medan lite är känt om kvaliteten på osäkerhetsuppskattningar. I vårt arbete använder vi två mått, entropi och varians, som osäkerhetsmätningar. Dessutom används ytterligare tre mätvärden, felfrekvens, arbetsbelastning och toleransintervall för att mäta osäkerhetsmätarnas kvalitet. Fyra olika icke-bayesiska metoder: djupa ensembler, ögonblicksbilder, Test Time Augmentation (TTA) och Test Time Dropout (TTD) används i experiment. En negativ korrelation observeras mellan noggrannheten och osäkerhetsuppskattningen; ju högre noggrannhet modellen är, desto lägre är osäkerheten. Densenet121 med djupa ensembler som osäkerhetsutvärderingsmetod och varians som osäkerhetsmätvärdet ger de bästa resultaten. De ger ett bredare toleransintervall och bättre separation mellan osäkra och vissa förutsägelser.

Generative Adversarial Networks have been used to obtain state-of-the-art results for low-level computer vision tasks like single image super-resolution, however, they are notoriously difficult to train due to the instability related to the competing minimax framework. Additionally, traditional ensembling mechanisms cannot be effectively applied with these types of networks due to the resources they require at inference time and the complexity of their architectures. In this thesis an alternative method to create ensembles of individual, more stable and easier to train, models by using interpolations in the parameter space of the models is found to produce better results than those of the initial individual models when evaluated using perceptual metrics as a proxy of human judges. This method can be used as a framework to train GANs with competitive perceptual results in comparison to state-of-the-art alternatives. / Generative Adversarial Networks (GANs) har använts för att uppnå state-of-the- art resultat för grundläggande bildanalys uppgifter, som generering av högupplösta bilder från bilder med låg upplösning, men de är notoriskt svåra att träna på grund av instabiliteten relaterad till det konkurrerande minimax-ramverket. Dessutom kan traditionella mekanismer för att generera ensembler inte tillämpas effektivt med dessa typer av nätverk på grund av de resurser de behöver vid inferenstid och deras arkitekturs komplexitet. I det här projektet har en alternativ metod för att samla enskilda, mer stabila och modeller som är lättare att träna genom interpolation i parameterrymden visat sig ge bättre perceptuella resultat än de ursprungliga enskilda modellerna och denna metod kan användas som ett ramverk för att träna GAN med konkurrenskraftig perceptuell prestanda jämfört med toppmodern teknik.