The present thesis utilises dynamic time warping and cluster analysis with the aim of discovering different touristic profiles. GPS data of cruise passengers intra-destination movement at the destination of Visby, Gotland, was used in the analysis. Further stop detection was performed so as to compare stop activity and stop allocation between the clusters. Four tourist profiles were derived by juxtaposing the category of attractions/areas where high stop densities were found, with the spatial dispersal of stop activity, denoted as either exhibiting a concentrated or exploring pattern. Some key influencers of tourists' spatio-temporal behaviour were also identified. These included whether the cruise passengers appeared to have taken some mode of transportation upon their on-shore visit, whether the area was dense in activities/facilities oriented towards tourists and the time spent at the destination. The contribution of this thesis is twofold. First this thesis contributes to previous research by developing and testing a methodological approach utilising dynamic time warping to investigate cruise passengers' spatio-temporal behaviour at a destination. Second, the results of the thesis may aid destination managers in finding tools and strategies that are tailored after the unique opportunities and challenges posed by different tourist profiles.

Credit institutions constitute a central part of life as it is today and has been doing so for a long time. A fault within the banking system can cause a tremendous amount of damage to individuals as well as countries. A recent and memorable fault is the global financial crisis 2007-2009. It has affected millions of people in different ways ever since it struck. What caused it is a complex issue which cannot be answered easily. But what has been done to prevent something similar to occur once again? How has the business models of the credit institutions changed since the crisis? Cluster analysis is used in this thesis to address these questions. Banking-data were processed with Calinski-Harabasz Criterion and Ward's method and this resulted in two clusters being found. A cluster is a collection of observations that have similar characteristics or business model in this case. The business models that the clusters represents are universal banking with a retail focus and universal banking with a wholesale focus. These business models have been analyzed over time (2007-2016), which revealed that the credit institutions have developed in a healthy direction. Thus, credit institutions were more financially reliable in 2016 compared to 2007. According to trends in the data this development is likely to continue. / Kreditinstituten utgör en central del av livet som det ser ut idag och har gjort det under en lång tid. Ett fel inom banksystemet kan orsaka enorma skador för individer likväl som länder. Ett nutida och minnesvärt fel är den globala finanskrisen 2007-2009. Den har påverkat millioner människor på olika vis ända sedan den slog till. Vad som orsakade den är en komplex fråga som inte kan besvaras med lätthet. Men vad har gjorts för att förebygga att något liknande händer igen? Hur har affärsmodellerna för kreditinstituten ändrats sedan krisen? Klusteranalys används i denna rapport för att adressera dessa frågor. Bankdata processerades med Calinski-Harabasz Kriteriet and Wards metod och detta resulterade i att två kluster hittades. Ett kluster är en samling observationer med liknande karakteristik eller affärsmodell i detta fall. De affärsmodeller som klustrena representerar är universella banker med retail fokus samt universella banker med wholessale fokus. Dessa affärsmodeller har analyserats över tid, vilket har avslöjat att kreditinstituten har utvecklats i en hälsosam riktning. Kreditinstituten var mer finansiellt pålitliga 2016 jämfört med 2007. Enligt trender i datan så är det troligt att denna utveckling forsätter.

With the rise of artificial intelligence, applications for machine learning can be found in nearly everyaspect of modern life, from healthcare and transportation to software services like recommendationsystems. Consequently, there are now more developers engaged in the field than ever - with the numberof implementations rapidly increasing by the day. In order to meet the new demands, it would be usefulto provide services that allow for an easy orchestration of a large number of repositories. Enabling usersto easily share, access and search for source code would be beneficial for both research and industryalike. A first step towards this is to find methods for clustering source code by functionality. The problem of clustering source code has previously been studied in the literature. However, theproposed methods have so far not leveraged the capabilities of deep neural networks (DNN). In thiswork, we investigate the possibility of using DNNs to learn embeddings of source code for the purpose ofclustering by functionality. In particular, we evaluate embeddings from Code2Vec and cuBERT modelsfor this specific purpose. From the results of our work we conclude that both Code2Vec and cuBERT are capable of learningsuch embeddings. Among the different frameworks that we used to fine-tune cuBERT, we found thebest performance for this task when fine-tuning the model under the triplet loss criterion. With thisframework, the model was capable of learning embeddings that yielded the most compact and well-separated clusters. We found that a majority of the cluster assignments were semantically coherent withrespect to the functionalities implemented by the methods. With these results, we have found evidenceindicating that it is possible to learn embeddings of source code that encode the functional similaritiesamong the methods. Future research could therefore aim to further investigate the possible applicationsof the embeddings learned by the different frameworks. / Med den avsevärda ökningen av användandet av artificiell intelligens går det att finna tillämpningar förmaskininlärningsalgoritmer i nästan alla aspekter av det moderna livet, från sjukvård och transport tillmjukvarutjänster som rekommendationssystem. Till följd av detta så är det fler utvecklare än någonsinengagerade inom området, där antalet nya implementationer ökar för var dag. För att möta de nyakraven skulle det vara användbart att kunna tillhandahålla tjänster som möjliggör en enkel hantering avett stort antal kodförråd. Att göra det möjligt för användare att enkelt dela, komma åt och söka efterkällkod skulle vara till nytta inom både forskning och industri. Ett första steg mot detta är att hittametoder som gör det möjligt att klustra källkod med avseende på funktionalitet. Problemet med klustring av källkod är något som har tidigare studerats. De föreslagna metoderna hardock hittils inte utnyttjat kapaciteten hos djupa neurala nätverk (DNN). I detta arbete undersöker vimöjligheten att använda DNN för inlärning av inbäddningar av källkod i syfte att klustra med avseendepå funktionalitet. I synnerhet så utvärderar vi inbäddningar från Code2Vec- och cuBERT-modeller fördetta specifika ändamål. Från resultatet av vårt arbete drar vi slutsatsen att både Code2Vec och cuBERT har kapacitet för attlära sig sådana inbäddningar. Bland de olika ramverken som vi undersökte för att finjustera cuBERT,fann vi att modellen som finjusterades under triplet-förlustkriteriet var bäst lämpad för denna uppgift.Med detta ramverk kunde modellen lära sig inbäddningar som resulterade i de mest kompakta och välseparerade klusterna, där en majoritet av klustertilldelningarna var semantiskt sammanhängande medavseende på funktionaliteten som metoderna implementerade. Med dessa resultat har vi funnit beläggsom tyder på att det är möjligt att lära sig inbäddning av källkod som bevarar och åtger funktionellalikheter mellan metoder. Framtida forskning kan därför syfta till att ytterligare undersöka de olikamöjliga användningsområdena för de inbäddningar som lärts in inom de olika ramverken.

Föreliggande uppsats avser belysa relationen mellan stress och personlighet, detta undersöktes ur ett individorienterat perspektiv som baserades på personlighetsprofiler. Data baserades på en enkätundersökning som mätte personlighet utifrån femfaktormodellen och självupplevd stress. 89 medarbetare på ett svenskt företag deltog i studien, 43 män och 46 kvinnor mellan åldrarna 22 och 66 år. För att klassificera olika personlighetsprofiler genomfördes en klusteranalys. För att sedan undersöka relationen mellan personlighetsprofilerna och upplevd stress jämfördes graden av upplevd stress mellan profilerna. Resultatet visade på att det finns skillnader mellan personlighetsprofilerna avseende graden av upplevd stress. Individer med lägst värden inom extraversion och något lägre värden inom öppenhet i förhållande till de andra dragen och personlighetsprofilerna upplevde högre grad stress. Individer som tillhör personlighetsprofilen med högst värden inom samtliga dimensioner i femfaktormodellen upplevde låg stress. / This paper is intended to describe the relationship between stress and personality, this is examined from an individual-oriented perspective based on personality profiles. The data was based on a questionnaire that measured personality based on the five factor model and self-perceived stress. 89 employees of a Swedish company participated in the study, 43 men and 46 women between the ages of 22 and 66 years. A cluster analysis was used to classify different personality profiles. To later examine the relationship between personality profiles and perceived stress the degree of perceived stress was compared between the profiles. The result showed that there are differences between the personality profiles regarding the level of perceived stress. Individuals with the lowest values in extraversion and slightly lower values of openness in relation to other features and personality profiles, experienced higher levels of stress. Individuals belonging to the personality profile with the highest values in all dimensions of the five factor model experienced low levels of stress.

I valupptakten hösten 2010 fick Sverigedemokraternas två valfilmer oerhört genomslag i media, och hade inte mindre än en halv miljon visningar på Youtube, på bara några få dagar. Denna här uppsatsen undersöker vilka strategier som ligger bakom ett sådant genomslag i media. Frågeställningen försöker besvara vilka verklighetsbeskrivningar som TV4 respektive Sverigedemokraterna (SD) ger i sitt pressmaterial angående lanseringen av SD:s två valfilmer, och vad de får för effekter. Uppsatsen analyserar nyckelord som används, vilken ram de sätter på situationen och om SD använder sig av anti-etablissemangsstrategin. Den diskuterar också omkring problemformuleringsprivilegiet, det vill säga att den som formulerar frågeställningen alltid äger tolkningsföreträdet till den. Uppsatsens slutsats är att SD:s strategi vid lanseringen av valfilmen var att synliggöra och förstärka avståndet mellan SD och etablissemanget, såväl till politiska partier som till media. SD använde sig av de egna problemformuleringarna massinvandring och censur, som i sin tur skapade egna ramar, till vilka enbart SD hade tolkningsföreträde. SD:s ramar stämmer tydligt överrens med vilka kriterier ett politiskt parti måste ha för att använda sig av anti-etablissemangsstrategin. / In the fall of 2010 during the election, the Swedish Democrats launched two election movies who got a enormous breakthrough in the media. They got over half a million views on Youtube in just a few days. This essay investigates what strategies that lays behind the breakthrough in the Swedish media. The inquiry tries to answer what description of reality that TV4 and the Swedish Democrats leaves in their press material concerning the launch of the Swedish Democrats two election movies and following effects. The essay analyses keywords in these movies, the frame of the situation and if the Swedish Democrats uses the anti-establishment strategy. It also discuss the problem formulation privilege, which means that the person who formulate the inquiry always own the right to interpret the inquiry. The conclusion of the essay is that the Swedish Democrats strategy during the launch of the election movies, was to expose and strengthen the distance between the Swedish Democrats and the establishment. As well as between other political parties and media. The Swedish Democrats formulate their own problem formulation using words as “mass migration” and “censorship”. With these two words they create their own frames that gives the Swedish Democrats the total interpret of the words. The frames that the Swedish Democrats are using, agrees with the criteria of what a political party must contain to use the anti-establishment strategy.

Strukturell avbildning med ultraljud kan användas för att upptäcka sjukdomar och störningar i kroppen. För att ställa tillförlitliga diagnoser räcker det inte alltid med en strukturell avbildning utan ibland krävs det även fysiologisk information. Vid användning av funktionell avbildning med ultraljud kan den informationen mätas i kroppens olika fysiologiska system.   Systemen består av funktionellt olika enheter och kallas för motoriska enheter i skelettmuskulatur. Vid sjukdomar som ateroskleros (åderförkalkning) kan dessa enheter vara så kallade kärlplack, som består av vävnad med varierande egenskaper och medicinsk relevans. Möjligheten att kunna analysera funktionella enheter i system som dessa kan bidra mycket till diagnostisering av sjukdomar och störningar.   Den här studien presenterar en metod för att hitta naturliga kluster av funktionella enheter i skelettmuskulatur, från 3D-data inhämtat med ultraljudssekvenser.   I studien genererades syntetiska data från en modell som simulerar sekvenser av aktionspotentialer i kontraherande muskelvävnad. Datat bearbetades med förbehandlingar och klusteranalys och resultaten utvärderades med siluettkoefficienter. Kombinationer av fyra förbehandlingssätt och två klustringsalgoritmer jämförs i studien. Även tester på riktigt ultraljudsdata av muskelkontraktioner utfördes.   Den bästa kombinationen av förbehandling och klustringsalgoritm gav goda resultat och använder datanormalisering samt temporal bandpassfiltrering som förbehandling tillsammans med hierarkisk Complete Linkage-klustring. Den var dessutom relativt okänslig för störningar i datat. Resultaten från riktigt ultraljudsdata gav en grov indelning av områden i muskeln som visuellt överensstämmer med anatomin i den strukturella bilden. / Structural imaging using ultra sound can be used to detect diseases and disorders in the body. It’s not always enough to structurally image these detections for accurate diagnosis, sometimes physiologically functional information is needed. By using functional imaging, this information can be measured in various physiological systems throughout the body.   The systems are built up by functionally different units. In skeletal muscle these units are called motor units and in cases of disease, like atherosclerosis, they can be arterial plack. The placks have a tissue composition of various properties and clinical relevance. If functional units could be analyzed in systems like these, much could be contributed to diagnosis of diseases and disorders.   In this study, a method of detecting natural clusters of functional units in skeletal muscle, using 3D data collected from ultrasound sequences, is presented.   Using a model that simulates a series of actions potentials in contracting muscle tissue, synthetic data was generated. During analysis the data was preprocessed and clustered, the results were analyzed using silhouette coefficients. In this study, combinations of four methods of preprocessing and two clustering algorithms are compared. Real ultrasound data of contracting muscle tissue was also examined.   A combination of preprocessing and clustering that clustered the data particularly well used data normalization and temporal passband filtering for preprocessing together with hierarchical Complete Linkage clustering. It also seemed to be relatively unaffected by noise. Clustering of the real ultrasound data resulted in a coarse sorting of the different areas of the muscle that corresponds to the anatomy seen in structural images.

The purpose of this study was to develop an interactive tool that enables identification of different types of users of an application based on clickstream data. A complex hierarchical clustering algorithm tool called Recursive Hierarchical Clustering (RHC) was used. RHC provides a visualisation of user types as clusters, where each cluster has its own distinguishing action pattern, i.e., one or several consecutive actions made by the user in the application. A case study was conducted on the mobile application Plick, which is an application for selling and buying second hand clothes. During the course of the project, the analysis and its result was discovered to be difficult to understand by the operators of the tool. The interactive tool had to be extended to visualise the complex analysis and its result in an intuitive way. A literature study of how humans interpret information, and how to present it to operators, was conducted and led to a redesign of the tool. More information was added to each cluster to enable further understanding of the clustering results. A clustering reconfiguration option was also created where operators of the tool got the possibility to interact with the analysis. In the reconfiguration, the operator could change the input file of the cluster analysis and thus the end result. Usability tests showed that the extra added information about the clusters served as an amplification and a verification of the original results presented by RHC. In some cases the original result presented by RHC was used as a verification to user group identification made by the operator solely based on the extra added information. The usability tests showed that the complex analysis with its results could be understood and configured without considerable comprehension of the algorithm. Instead it seemed like it could be successfully used in order to identify user types with help of visual clues in the interface and default settings in the reconfiguration. The visualisation tool is shown to be successful in identifying and visualising user groups in an intuitive way.

Den senaste finanskrisen har visat att det finns ett behov av ökad övervakning av aktörerna på den finansiella marknaden. Ett sätt att förbättra övervakningen är genom att öka förståelsen för företagens affärsmodeller. Syftet med detta examensarbete är att hitta likheter i affärsmodellerna hos svenska kreditinstitut och hos svenska filialer av utländska banker. Mer specifikt syftar denna studie till att hitta grupper av företag, i denna rapport kallat kluster, med liknande affärsmodell och till att identifiera existerande affärsmodeller på den svenska bankmarknaden. Informationen som användes i studien är från årsredovisningar som rapporterades till Finansinspektionen för åren 2000, 2005, 2010 och 2013.  För att möjliggöra en jämförelse mellan olika aktörers data har kvoter skapats utifrån deras balans- och resultaträkningar. För att reducera mängden data och för att få ett fåtal okorrelerade variabler användes principalkomponentanalys. Metoden som användes för att hitta klustren är en hierarkisk agglomerativ metod kallad Wards metod. Antalet kluster bestämdes genom att använda Calinski- Harabasz-index. Bootstrapping användes för att testa stabiliteten hos de identifierade klustren.  Denna studie visar att mönster existerar på den svenska bankmarknaden och att det är möjligt att hitta kluster av företag med liknande affärsmodell. Svenska filialer av utländska banker och svenska kreditinstitut har studerats separat. För svenska kreditinstitut hittades sex kluster och för att beskriva affärsmodellerna kallas de: Universalbanker, Sparbanker, Leasingföretag, Icke inlåningsfinansierade kreditinstitut, Servicefokuserade kreditinstitut och Övriga kreditinstitut. De mest stabila klustren, det vill säga de med högst likhet, är Sparbanker och Leasingföretag. Klustret med lägst likhet är Universalbanker och detta bör ses som ett mönster i använd data snarare än ett kluster. För de svenska filialerna av utländska banker hittades tre kluster och dessa kallas: Banker, Servicefokuserade kreditinstitut och Övriga kreditinstitut. Dessa kluster är stabila. / The recent financial crisis has emphasized the need for improved supervision of the actors on the financial market. One way to improve supervision is through better understanding of business models. The aim with this thesis is to find similarities in business models for Swedish credit institutions and for Swedish branches of foreign banks. More specific this study aims to find groups of companies, in this paper called clusters, with similar business models and identify existing business models in the banking market. The data used in this study are financial statements reported to the Swedish Financial Supervisory Authority for the years 2000, 2005, 2010 and 2013. In order to compare the companies’ data, ratios from the income statements and balance sheets have been created. To reduce the amount of data and arrive at a smaller set of uncorrelated variables, principal component analysis was used. The method used for finding the clusters was a hierarchical agglomerative clustering method called Ward’s method. The number of clusters was determined using Calinski-Harabasz index. Bootstrapping was used in order to test cluster stability. This study shows that patterns in the Swedish banking sector exist and that it is possible to find clusters of companies with similar business models. Swedish branches of foreign banks have been treated separately from Swedish credit institutions. For Swedish credit institutions a division into six clusters was found to be most suitable and in order to describe the business model the clusters are named: Universal banks, Savings banks, Leasing companies, Non-deposit funded credit institutions, Service-focused credit institutions and Other credit institutions. The most stable clusters, that are the clusters with highest similarity, are Savings banks and Leasing companies. The cluster with lowest stability is Universal banks and it could be considered as a pattern in the data rather than a cluster. For Swedish branches of foreign banks, three clusters were found to be most suitable and the clusters are named: Banks, Service-focused credit institutions and Other credit institutions. These clusters are stable.

In this thesis we consider graph partition of a particular kind of complex networks referred to as power law graphs. In particular, we focus our analysis on the market graph, constructed from time series of price return on the American stock market. Two different methods originating from clustering analysis in social networks and image segmentation are applied to obtain graph partitions and the results are evaluated in terms of the structure and quality of the partition. Along with the market graph, power law graphs from three different theoretical graph models are considered. This study highlights topological features common in many power law graphs as well as their differences and limitations. Our results show that the market graph possess a clear clustered structure only for higher correlation thresholds. By studying the internal structure of the graph clusters we found that they could serve as an alternative to traditional sector classification of the market. Finally, partitions for different time series was considered to study the dynamics and stability in the partition structure. Even though the results from this part were not conclusive we think this could be an interesting topic for future research. / I denna uppsats studeras graf partition av en typ av komplexa nätverk som kallas power law grafer. Specifikt fokuserar vi på marknadengrafen, konstruerad av tidsserier av aktiepriser på den amerikanska aktiemarknaden. Två olika metoder, initialt utvecklade för klusteranalys i sociala nätverk samt för bildanalys appliceras för att få graf-partitioner och resultaten utvärderas utifrån strukturen och kvaliten på partitionen. Utöver marknadsgrafen studeras aven power law grafer från tre olika teoretiska grafmodeller. Denna studie belyser topologiska egenskaper vanligt förekommande i många power law grafer samt modellerns olikheter och begränsningar. Våra resultat visar att marknadsgrafen endast uppvisar en tydlig klustrad struktur för högre korrelation-trösklar. Genom att studera den interna strukturen hos varje kluster fann vi att kluster kan vara ett alternativ till traditionell marknadsindelning med industriella sektorer. Slutligen studerades partitioner för olika tidsserier för att undersöka dynamiken och stabiliteten i partitionsstrukturen. Trots att resultaten från denna del inte var entydiga tror vi att detta kan vara ett intressant spår för framtida studier.

To simulate a hydropower system, one can use what is known as a Detailed model. However, due to the complexity of river systems, this is often a computationally heavy task. Equivalent models, which aim to reproduce the result of a Detailed model, are used to significantly reduce the computation time for these simulations. This thesis attempts to compute Equivalent models for hydropower systems in Sweden by categorizing the inflow data using a spectral clustering method. Computing the Equivalent models also involves solving a bilevel optimization problem, which is done using a variant of the particle swarm optimization algorithm. Equivalent models are computed for all four electricity trading areas in Sweden, using solutions of a Detailed model which includes ten rivers. Then, the Equivalent models are evaluated based on their similarity to the Detailed model in terms of power production and objective value. The results vary depending on the area and period, and the Equivalent models range from 8% - 15% error in terms of the relative power production difference. The results indicate that the inflow clustering procedure produces adequate Equivalent models in most cases. / För att simulera ett vattenkraftsystem, kan en så kallad Detaljerad modell användas. På grund av komplexiteten av flodsystem, kan lösningen av en Detaljerad modell ta mycket lång tid att hitta. Ekvivalenta modeller, som strävar att efterlikna en Detaljerad modell, används för att reducera lösningstiden markant. Denna avhandling försöker beräkna Ekvivalenta modeller för vattenkraftsystem i Sverige genom att kategorisera inflödesdata med hjälp av en spektral klustringsmetod. Beräkningen av de Ekvivalenta modellerna involverar att lösa ett så kallat bilevelproblem, vilket görs med en variant av particle swarm optimization. Ekvivalenta modeller beräknas för alla fyra elområden i Sverige, baserad på lösningar av en Detaljerad modell som inkluderar tio floder. Sedan utvärderas de Ekvivalenta modellerna efter hur mycket de liknar den Detaljerade modellens kraftproduktion samt objektivvärde. Resultaten varierar beroende på elområde och period, och de Ekvivalenta modellerna har fel på 8% - 15% i den relativa kraftproduktionsskillnaden. Resultaten indikerar att metoden att klustra efter inflöde ger tilfredsställande Ekvivalenta modeller i de flesta fallen.