Abstrakt Röntgen är ett område där man ställer frågan om processen skulle kunna automatiseras för att göra den enklare för sjuksköterskor. På så sätt ökar antalet patienter som kan röntgas eftersom det skulle gå snabbare. Med hjälp av datorseende och en servostyrd röntgenkamera kan man förverkliga delar av dessa drömmar genom att låta röntgenkameran själv justera sig efter en patient och även flyttas till en vald kroppsdel. Här undersöks och testas open-source biblioteket OpenCV. En prototyp på ett automatiskt system tas fram med syftet att testa OpenCVs funktionalitet och besvara ett antal frågor: Hur kan röntgen automatiseras genom användning av open-source programvarubibliotek med inriktning på bildbehandling? Vilka för – och nackdelar kan användandet av ett datorseendebibliotek vara? Kan man med dagens teknik utveckla en automatisk lösning som kan göras till en kommersiell produkt?

Lunds kommun har som mål att vara en ledande kommun i Sverige när det kommer till att främja användandet av cykeln som transportmedel. Genom maskininlärningstypen klusteranalys undersöker vi om det är möjligt att analysera data generad av cyklister i Lund, för att kartlägga cyklisters upplevda otrygghet i trafiken. Syftet med att utföra klusteranalysen är att kostnadseffektivare kunna vidareutveckla en säker miljö för cyklister. Detta gör vi genom att baserat på algoritmen k-means utvecklat två olika ansatser. Dels en ansats baserad på euklidisk distans och en ansats som är punktbaserad. Dessa ansatser kontrollerar storleken på kluster för att matcha de geografiska ytor som vi arbetade med. Den euklidiska ansatsen genererar kluster baserat på storlek i meter medans den punktbaserade ansatsen genererar kluster efter antalet punkter i ett kluster. I våra experiment pekar resultaten på att den euklidiska ansatsen är bättre lämpad för klusteranalyser. Vi anser även att användbarheten av att utföra klusteranalyser med våra ansatser inte är tillräcklig för att klusteranalyser ska bli mer användbart än icke maskininlärningsbaserade analyser. Genom att komplettera ytterligare variabler i datamängden och jämföra klusteranalyser över tid så anser vi att klusteranalys kan få ett mervärde. / The municipality of Lund strives to be a leading municipality in Sweden regarding bicycle usage as a means of transportation. With the machine learning type cluster analysis, we want to examine the possibility of analysing data generated by cyclist in Lund in order to understand cyclists perceived insecurity in traffic. The purpose of performing cluster analysis was to more cost efficiently further enhance a safer environment for cyclists. We perform our analysis based on the K-means algorithm and further develop two different methods. The first method is based on Euclidian distance and the second method is based on the amount of datapoints in a given cluster. These methods control for the size of a cluster in order to match the geographical space we are working with such as roads and crossings. The Euclidian method generates clusters based on size in meters and the other method generates clusters based on amount of datapoints. In our experiment the result shows that the Euclidian method is more suited for cluster analysis. We also believe that the usability of cluster analysis with our methods isn't sufficient in order for us to believe that cluster analysis is more usable than none machine learning analysis. By adding additional variables to the data collection and comparing cluster analyses over time we believe that cluster analysis could be of more value.

Machine learning is a topic that is being used in more areas. More companies want to take advantage of this to be able to improve their sales models. The aim of the project was to develop a forecasting tool as this could result in a possible increased profit for the customer. Forecasting takes place at the Amount data point using the two machine learning models random decision tree and recurrent neural network. The random decision tree model only predicts the data point while the recurrent neural network model predicts the data point with the account of L. The data was investigated with the exploratory data analysis model to investigate relationships, find anomalies and designate data points, and then be used in the machine learning models. The result of the work is that the two models achieve an average error for forecasting that is within the client’s acceptable limits.

Uppdragsgivaren till detta examensarbete har uttryckt en önskan om att utveckla ett verktyg för att automatiskt upptäcka avvikelser i signaldata från maskiner inom pappers- och massaindustrin. En önskan har funnits att utvärdera om statistiska verktyg eller maskininlärning kan appliceras på uppgiften att automatisera denna avvikelsedetektering. Detta arbete utvärderar tre olika metoder. En av metoderna innefattar maskininlärning i form av neurala nätverk och de andra är statistiska verktyg för dataanalys. Metoderna som tillämpas för avvikelsedetektering utvärderas i fyra separata experiment. Resultatet av arbetet ger, inom de ramar som satts upp under experimenten, en indikation på att de metoder som skapar prognoser har potentialen att ge en förbättring av träffsäkerheten hos avvikelsedetekteringen. Detta förutsätter dock att tid och resurser läggs på att förbereda verktygen och förse dem med relevant signaldata i tillräcklig mängd.

Då detta skrivs (Maj 2018) står industrier på tröskeln till att genomgå sitt fjärde paradigmskifte i och med Industri 4.0. I detta paradigmskifte, som har sin grund i digitalisering av såväl befintliga som nya industrianläggningar, kommer en ny typ av underhållsarbete att möjliggöras. Den nya typen av underhållsarbete är en form av prediktivt underhåll och innebär att smarta system kommer att kunna detektera och klassificera systemavvikelser, och genom detta sålunda prediktivt varna för att något håller på att fallera hos såväl hela maskiner som dess komponenter. Vid Högskolan i Gävle bedrevs det från hösten 2017 till våren 2018 ett forskningsprojekt vid namn Flexibla modeller för smart underhåll, i vilket modeller för prediktivt underhåll togs fram. Denna examensuppsats på grundnivå har som målsättning att beskriva hur en demonstrationsutrustning framtas åt Flexibla modeller för smart underhåll för att demonstrera hur den nya typen av prediktivt underhåll kan ske. De metoder som tillgrips och utvärderas för att skapa modeller är från området systemidentifiering. Det system som modelleras består av en pump, en vattenreservoar, två vattentankar och en ventil. Både black-boxidentifiering och grey-boxidentifiering utförs på systemet. Mer specifikt ARX- och OE-modeller testas i Matlab-applikationen System Identification och fysikalisk modellering med parameterskattning via minsta kvadratmetoden utvärderas.  För feldetektering och felklassificering granskas två olika typer av maskininlärningsalgoritmer från Matlab-applikationen Classification Learner. Dessa är Support Vector Machine och K-nearest neighbour. Det erhållna resultatet visar att fysikalisk modellering med parameterskattning via minsta kvadrat-metoden ger den bästa modellen, där FIT-måtten hos de två tankarna är 88,75 procent respektive 90,76 procent. Med denna modell som underlag framtas sedan detekterings- och klassificeringsalgoritmer, där den mest framgångsrika algoritmen för detektering av öppnad ventil är Fine Gaussian SVM och för öppnad ventil eller simulerad sprickbildning i botten av den undre tanken är algoritmen Fine KNN den bästa. Slutsatsen av detta examensarbete är att det är möjligt att via metoder från Systemidentifiering och maskininlärning bygga en demonstrationsutrustning som åskådliggör såväl Flexibla modeller för smart underhåll:s arbete som hur den nya typen av prediktivt underhåll kan ske. / When this is written (May 2018) industries are on the threshold to experience their fourth paradigm shift because of Industry 4.0. This paradigm shift, which has its foundation in digitalizing existing as well as new industries, will make a new sort of maintenance work possible. The new type of maintenance work is a sort of predictive maintenance and means that smart systems will be able to detect and classify system abnormalities, and thereby predictively warn that something is about to fail in machines as well as in their components. At University of Gävle there were in a period from autumn of 2017 to the spring of 2018 a research project named Flexible models for predictive maintenance, in which models which could be a part of predictive maintenance were developed. The objective in this bachelor thesis is to show how to construct an equipment for Flexible models for predictive maintenance that can be used to demonstrate how the new type of predictive maintenance can be done. The methods that are used and evaluated to generate models belong to the field of system identification. The system that modelled consists of a pump, one water reservoir, two tanks and a valve. Both black-box identification and grey-box identification are performed on the system. More specifically ARX- and OE-models are tested in the Matlab application System Identification and physical modelling with parameter estimation by the method of least squares is evaluated. To detect and classify system failures, two types of machine learning algorithms from the Matlab application Classification Learner is audited. These algorithms are Support Vector Machine and K-nearest neighbour. The results show that physical modelling with parameter estimation by the method of least squares gives the best model, where the measure of FIT for the two tanks are 88.75 percent respectively 90.76 percent. With the model as basis detection- and classification algorithms are developed, where Fine Gaussian SVM turns out to be the most successful in detecting an open valve and Fine KNN performs the best at detecting an open valve or a simulated crack in the bottom of the lower tank. The conclusion of this thesis is that it is possible to construct an equipment by using methods from system identification and machine learning that visualizes the work in Flexible models for predictive maintenance as well as how the new type of predictive maintenance can be performed.

In this project I studied how generative neural language models can be used for response generation. The purpose of the model is to generate responses for a social robot, instead of having responses be authored and evaluated by crowd-sourced workers. To achieve this task, I train a large-scale pre-trained neural language model on the collected data. I trained six model variations to study the changes in utterance quality, the models vary in the amount of pre-training they have. I also test three different decoding methods for the same purpose. One of the model variations utilize multi-task learning during training, where the model performs other tasks alongside response generation. The utterances produced by the models were evaluated through crowd-sourced human evaluation. Utterances were shown by the evaluation to be of roughly equal quality to the original utterances it was trained to replicate. The results show that a large-scale language model may be a viable alternative to crowd-sourced authoring and evaluation of utterances, reducing costs and providing more reliable results.

Acquiring new customers implies a certain cost for the banks, so there is a problem when new customers decide to leave the bank, shortly after the onboarding process. This thesis explores which factors, and especially what products and services, that affect the loyalty of new mortgage customers. These insights were partly generated through descriptive statistics, but also through a classification model using machine learning. Fixation periods proved to be very important in the short term, as a particularly small share of the customer base left the bank with a fixation period of two years or longer tied to their mortgage loans. In general, all additional products and services had a positive effect on customer loyalty. In the short term, first-time homebuyers left the bank at a greater rate compared to customers who had switched banks prior to leaving. In addition to this, the model also suggests that younger customers churn more frequently than older customers, and that a higher loan amount tends to increase the likelihood of a customer leaving. It also highlights the fact that customers living in the vicinity of Stockholm, appear to leave at higher rates than the rest of the country. However, these conclusions should be treated with some level of skepticism, due to interaction effects between, for example, the customer's geographic region (Stockholm) and other variables. The model performs much better than simply guessing, however, some further improvements are required before the model is put into production.

The aim of this thesis work is to improve the performance of an already existing information retrieval system that uses relevance feedback for performing query expansion. It is a constant goal to improve this system because the docu- ments that are retrieved are a base for various data analysis tasks. It is therefore important that the precision and re- call are high. A user can choose to give relevance feedback when executing a query, meaning the user can mark docu- ments in the search result as relevant or irrelevant and redo the search based on this feedback. The original query will then be expanded based on the user’s feedback. The ap- proach presented in this thesis uses the documents marked as relevant or irrelevant to train a classifier that can classify unknown documents from the search result as either rele- vant, irrelevant or unknown. The aim is to classify unknown documents and add them to the set of feedback documents that are used for the query expansion. The assumption that this thesis is based on is that the more feedback a user gives, the better the query expansion will perform. The system developed in this thesis is evaluated for the English language. The results in this thesis show that integrating the classifier in the existing system improved the perfor- mance in three out of four use cases. The existing system already has a good performance, but small improvements are important. It would therefore be beneficial to integrate it into the existing system. / I detta examensarbetet så är målet att förbättra ett exi- sterande informationssökningssystem som använder sig av relevansåterkoppling för att utföra sökfrågeexpansion. Det finns en konstant efterfrågan att förbättra prestandan av detta system då de dokument som returneras används för olika dataanalysuppgifter. Därför är det viktigt att både precision och täckning är så högt som möjligt. En använ- dare kan välja att ge relevansåterkoppling, vilket betyder att användaren markerar dokument som är relevanta och irrelevanta, vilket sedan används för att utföra sökfråge- expansion. Den initiala sökfrågan expanderas utifrån in- formation från relevansåterkopplingen. Tillvägagångssättet som presenteras i detta arbete använder de markerade do- kumenten för att träna en maskininlärningsmodell som kan klassificera oklassade document som relevanta, irrelevanat eller okända. Målet är att klassificera okända dokument och sedan lägga till dem till uppsättningen av relevansåterkopp- lingsdokument som användaren har markerat. Antagandet som denna metod baseras på är att ju mer relevansåter- koppling som ges, desto bättre sökfrågeexpansion kan sy- stemet utföra. Systemet som utvecklades i detta examens- arbete är byggt för och evaluerat mot data som äs skrivet på engelska. Resultaten i detta arbete visar att denna metod förbättrade resultaten i tre utav fyra testfall. Prestandan för det existerande systemet är redan på en hög nivå, men små förbättringar är viktiga. Det skulle vara en fördel att integrera detta i det existerande systemet.

How companies deal with machine learning is currently a highly-discussed topic, as it can facilitate corporate manual work by training computers to recognize patterns and thus automate the working procedure. However, this requires resources and knowledge in the field. As a result, various companies like Amazon and Google provide machine learning services without requiring the user to have deep knowledge in the area. This study evaluates Amazon Machine Learning program for a tag system with data from the media company Newstag. In order to make this evaluation, a larger amount of data with tags was obtained from the company. The result of the study indicates that Amazon's program do not work for multilabel classification. / Hur företag ska hantera maskininlärning är i dagsläget ett mycket omtalat ämne då det kan underlätta företags manuella arbeten genom att träna upp datorer att känna igen mönster och på så sätt automatisera arbetsprocessen. Detta kräver dock resurser och kunskaper inom området. Som ett resultat av detta erbjuder olika företag som Amazon och Google maskininlärningstjänster utan att det krävs att användaren besitter djupa kunskaper inom området. I denna studie utvärderas Amazon Machine Learning programmet för ett taggsystem med data från medieföretaget Newstag. För att kunna göra denna utvärdering erhölls en större mängd data med taggar från företaget. Resultatet av studien pekar på att Amazons program inte fungerar för multilabel klassificering.

TinyML är ett snabb växande tvärvetenskapligt område i maskininlärning. Den fokuserar på att möjliggöra maskininlärnings algoritmer på inbyggda enheter (mikrokontroller) som arbetar vid lågt effektområde. Syftet med denna studie är att analysera hur bra TinyML kan är lösa typiska ML-uppgifter. Studien hade fyra forskningsfrågor som svarades genom att undersöka olika litteraturstudier och implementera testmodell både på laptop och på inbyggda enheter (Arduino nano 33). Implementationen började med att skapa maskininlärningsmodell i form av sinusfunktion genom att skapa ett 3- lagers, fullt anslutet neuralt nätverk som kan förutsäga sinusfunktionens utdata, på detta sätt används modellen som en regressionsanalys. Idéen är att träna modellen som accepterar värden mellan 0 och 2π och sedan matar ut ett värde mellan -1 och 1. Därefter konverteras modellen till en Tensorflow Lite för att kunna distribuera den på Arduino nano 33. Resultatet visade att TinyML är bra lösning för att lösa ML-uppgifter eftersom det lyckades överföra ML-algoritmen till mikrokontrollen Arduino nano 33. TinyML kunde hantera och bearbeta data utan behov till internetanslutning vilket gav möjlighet för utvecklare att programmera på ett effektivt och lämpligt sätt. TinyML verkar ha en ljus framtid och många vetenskapliga studier påpekar att maskininlärningens största fotavtryck i framtiden kan vara genom TinyML. / TinyML is a rapidly growing interdisciplinary field in machine learning. They focus on enabling machine learning algorithms on built-in devices (microcontrollers) that work at low power ranges. The purpose of this study is to analyze how well Tiny-ML can solve typical ML tasks. The study had four research questions that were answered by examining different literature studies and implementing test model both on laptop and on built-in devices (Arduino nano 33). The implementation began with creating a machine learning model in the form of a sine function by creating a 3-layer, fully connected neural network that can predict the output of the sine function, in this way the model is used as a regression analysis. The idea is to train the model that accepts values between 0 and 2π and then outputs a value between -1 and 1. Then the model is converted to a Tensorflow Lite to be able to distribute it on the Arduino nano 33. The results showed that TinyML is a good solution for solving ML data, as they managed to transfer the ML algorithm to the microcontroller Arduino nano 33. They could handle and process data without the need for an Internet connection, which allowed developers to program, anywhere and anytime any. TinyML seems to have a bright future and many scientific studies point out that the biggest footprint of machine learning in the future may be through TinyML.