No description available.

<p>Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster</p>

Syftet med arbetet var att undersöka vilka tillvägagångssätt barn använder vid sortering och vilka matematiska begrepp barn använder när de sorterar. Undersökningen är kvalitativ och baseras på deltagande observationer med tio barn mellan 3-6 år. Materialet som användes var pasta, kritor och pärlor. Resultatet visar att barnen sorterade utifrån egna kännetecken och valde egenskaper hos materialet som var mest intressesant för dem just vid det tillfället. Alla visade intresse för färg, men de hade förmåga att sortera och använda andra kriterier som form, storlek, mönster, och mängd också. Vidare visar resultatet att barn som hade kunskap/erfarenheter om sortering uppmärksammade och hjälpte andra barn med mindre erfarenheter om sortering än dem själva. Barnen fick en annan roll där de var tvungna att visa eller använda verbalt språk för att den de sorterade med skulle förstå dem. Barnen använde matematiska begrepp som handlade om placering, lokalisering och tid. De kunde para ihop, gruppera och använde sig av subitizing, dvs. med snabb blick fastställa antal. Barnen hittade på egna samband utifrån något som de hade sett, dvs. utifrån egna erfarenheter. De använde mest substantiv och adjektiv som ett sätt att beskriva föremålens egenskaper.

Detta examensarbete undersöker hur väl tekniker inom meningsklassificering och dokumentklassificering fungerar för att välja ut meningar som innehåller de variabler som använts i experiment som beskrivs i medicinska dokument. För meningsklassificering används tillståndsmaskiner och nyckelord, för dokumentklassificering används linjär SVM och Random forest. De textegenskaper som har valts ut är LIX (läsbarhetsindex) och ordmängd (word count). Textegenskaperna hämtas från en färdig datamängd som skapades av Abrahamsson (T.B.D) från artiklar som samlas in för denna studie. Denna datamängd används sedan för dokumentklassificering. Det som undersöks hos dokumentklassificeringsteknikerna är förmågan att skilja dokument av typerna vetenskapliga artiklar med experiment, vetenskapliga artiklar utan experiment, vetenskapliga artiklar med metaanalyser och dokument som inte är vetenskapliga artiklar åt. Dessa dokument behandlas med meningsklassificering för att undersöka hur väl denna hittar meningar sominnehåller definitioner av variabler. Resultatet från experimentet tydde på att teknikerna för meningsklassificering inte var dugliga för detta ändamål på grund av låg precision. För dokumentklassificering var Randomforest bäst lämpad men hade problem att skilja olika typer av vetenskapliga artiklar åt.

Detta examensarbete avser att effektivisera AB Mahols lagerverksamhet när dem ska flytta till ett nytt lager. Syftet med examensarbetet är att utforma olika strategier för att placera artiklarna i lagret utefter en ABC-klassificering. Syftet ledde till en frågeställning angående vilka artiklar som finns i lagret, samt deras dimensioner, lagernivåer och uttagsfrekvens. Vidare ledde syftet till frågeställningar om vilka artiklar som var viktigast för AB Mahol och hur artiklarna bör placeras i lagret. För att besvara syftet och frågeställningarna utfördes en fallstudie. Examensarbetet är en blandning av kvantitativ- och kvalitativ ansats. För att ta del av tidigare studier och litteratur som kunde styrka analysen i arbetet utfördes en litteraturstudie. För att samla in data utfördes intervjuer med VD:n, observationer av artiklarna i lagret, samt insamling av historiska data för alla artiklar som rört sig i lagret. Litteratur och data som samlades in bedömdes källkritiskt och analysens reliabilitet och validitet bedömdes. En ABC-klassificering utfördes på samtliga 1183 artiklar. För klassificeringen användes uttagsfrekvensen som kriterium och artiklarna rangordnades från högst uttagsfrekvens till lägst. Resultatet visade att; A-klassen innehöll 20,2 % av artiklarna och stod för 74,23 % av alla uttag i lagret; B-klassen innehöll 34,83 % av alla artiklar och stod för 17,89 % av alla uttag; C-klassen innehöll resterande 44,97 % av artiklarna och stod för 7,88 % av alla uttag. Tre olika strategier utarbetades för artikelplaceringen. I den första strategin placerades A-artiklar närmast packstationen och C-artiklar längst ifrån. Alla hyllplan användes för att lagra artiklar förutom det översta som användes som närliggande buffert. De tomma hyllorna längst bak användes som avsides buffert. Den andra strategin fokuserar på plockergonomi. Artiklarna placeras fortfarande så nära packstationen som möjligt men A- och B-artiklar placeras endast på hyllplan som ligger mellan axel och midjehöjd; den Gyllene zonen. De hyllplan som inte användes blev närliggande buffert, och de tomma hyllorna längst ifrån packstationen i lagret blev avsides buffert. I den sista strategin ligger fokus endast på att ha alla artiklar så nära packstationen som möjligt. Artiklarna placerades därmed på alla hyllplan och ingen hylla användes därmed till närliggande buffert och bufferten hamnade istället längst ifrån packstationen. I Strategi 1 och 3 placerades fler artiklar närmare plockstationen och bör därmed resultera i en kortare plockdistans jämfört med Strategi 2. Plockdistansen mellan Strategi 1 och 3 bör dock inte skilja sig mycket då A-artiklarna ligger i samma hyllgångar i båda strategierna. Strategi 2 bör få en ökad plockdistans i jämförelse, men eftersom den Gyllene zonen utnyttjas bör risken för arbetsrelaterade skador minska, samt att plocktiden kan minska.

Data mining är ett samlingsnamn för ett antal tekniker som används för att analysera datamängder och finna mönster, exempelvis genom klassificering. Anonymisering innefattar en rad tekniker för att skydda den personliga integriteten. Den här studien undersöker hur stor påverkansgrad anonymisering med tekniken differential privacy har på möjligheten att klassificera en datamängd. Genom ett experiment undersöks ett antal magnituder av anonymisering och vilken effekt de har på möjligheten att klassificera data. Klassificering av den anonymiserade datamängden jämförs mot klassificering av den råa datamängden. Liknande studier har genomförts med k-anonymitet som anonymiseringsteknik där möjligheten att klassificera förbättrades genom generalisering. Resultatet från den här studien å andra sidan visar att möjligheten att klassificera sjunker något, vilket beror på att differential privacy sprider ut informationen i datamängden över ett bredare spektrum. Detta försvårar generellt för klassificeringsalgoritmerna att hitta karakteriserande mönster i datamängden och de lyckas därmed inte få lika hög grad av korrekt klassificering.

The purpose of this master's thesis was to study if machine learning can be used asdecision support at the Swedish International Development Agency (Sida) in their work to provide financial aid. The aim was to examine the recurringphenomenon of increased number of aid disbursements towards the end of the year. A study and presentation of the data has been done to show the disbursementdistribution of Sida's operating departments. Moreover, qualitative interviews with different roles at Sida have been done to highlight the complexity of the agency and toexplain why and how different disbursement patterns occur. The approach has been to use classification models as well as regression models applied to data ofaid contributions from Sida's database. The classification models used were Decision Tree, k-Nearest Neighbour and Gradient Boosted Tree and thepurpose with the models was to illustrate which features of a contribution that are likely to be of importance for whether a disbursement occurs in December or earlier.The regression models used were linear models with the aim to predict if disbursements are likely to be delayed relative to the prognosis. The classificationmodel succeeded to point out three attributes that had influence on the classification result. The general conclusions of the report are that data ofcontributions generated in different IT-systems and various work routines at Sida's departments affect the quality of the data and the models’ accuracies negatively.Furthermore, insufficient amounts of data due to changes in Sida's information management has created difficulties when using data driven models to predict latedisbursements.

För att identifiera och klassificera problem relaterade till användbarhet i mjukvarubaserade produkter används metoder speciellt utformade för detta ändamål. En av dessa metoder är Heuristisk utvärdering, men kritik har framförts mot denna metod och dess förmåga att klassificera användbarhetsproblem. I detta arbete jämförs Heuristisk utvärdering med en annan metod, i ett försök att utreda om kritiken är korrekt. Denna metod är Usability Problem Taxonomy, en metod skapad för att klassificera samt analysera användbarhetsproblem. Syftet med denna jämförelse är att ta fasta på vilken av metoderna som är lämpligast att använda vid klassificering av användbarhetsproblem, något som bedöms genom att undersöka metoderna och deras förmåga att noggrant klassificera användbarhetsproblem. Resultatet av arbetet indikerar att Usability Problem Taxonomy stödjer en mer noggrann klassificering jämfört med Heuristisk utvärdering. Det är inte möjligt att på ett enkelt sätt uppskatta noggrannheten i den klassificering som utförs med Heuristisk utvärdering

Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster

Studien syftar till att undersöka om det finns ett typografiskt klassificeringssystem som skulle kunna fungera som standard att lära ut i svensk designutbildning. Med hjälp av åsikter från aktiva inom typografi- och undervisningsbranschen värderas de mest kända systemen för att det mest lämpliga att använda som standard i svensk designutbildning därefter utses. Detta resulterade i en lätt reviderad version av det befintliga klassificeringssystemet ”Vox AtypI”. Vidare har en del av ett utbildningsmaterial tagits fram för att ge ämnet en given plats i designutbildningen, och för att det framtagna klassificeringssystemet ska kunna läras ut på ett effektivt sätt. Med tidigare forskning och gjord pilotstudie som stöd resulterade studien i en kortlek med tillhörande häfte där regler för tre typer av spel presenteras; materialet är dock utformat för att öppna upp för egna regler och spel. Faktorer som bildminne och relationella visualiseringar visade sig vara avgörande för inlärningens effektivitet, och talet som högst väsentligt för att kunskapen ska fastna.