Den artificiella intelligensen i spel brukar ofta använda sig utav regelbaserade tekniker för dess beteende. Detta har gjort att de artificiella agenterna blivit förutsägbara, vilket är väldigt tydligt för sportspel. Det här arbetet har utvärderat ifall inlärningstekniken Q-learning är bättre på att spela fotboll än en regelbaserade tekniken tillståndsmaskin. För att utvärdera detta har en förenklad fotbollssimulering skapats. Där de båda lagen har använts sig av varsin teknik. De båda lagen har sedan spelat 100 matcher mot varandra för att se vilket lag/teknik som är bäst. Statistik ifrån matcherna har använts som undersökningsresultat. Resultatet visar att Q-learning är en bättre teknik då den vinner flest match och skapar flest chanser under matcherna. Diskussionen efteråt handlar om hur användbart Q-learning är i ett spelsammanhang.

Denna rapport behandlar projektarbetet som utfördes av fem studenter inom datateknik och mjukvaruteknik vid Linköpings Universitet. Projektarbetet utfördes som en del av kursen TDDD96 Kandidatprojekt i mjukvaruutveckling under vårterminen 2019. Syftet med rapporten är att utvärdera arbetsgången för framtagningen av en produkt. Projektet behandlar implementering av bildanalys för mobila Android-enheter och har gjorts på uppdrag av Image Systems Nordic AB. Applikationens ändamål var att genom kameran på en mobiltelefon kunna spåra objekt och analysera dess positioner. Resultatet av projektarbetet är applikationen TrackApp som genom maskininlärning kunde spåra objekt i realtid och på video. Utöver produkten bearbetar rapporten hur projektgruppen arbetade samt individuella fördjupningsområden gruppmedlemmarna studerat.

Denna rapport har använt sig av Unity-verktyget ML-Agents till att bygga upp en spelmiljö där agenter tränats med hjälp av neurala nätverk och reinforcement learning. Miljön har utmanat agenterna med labyrintliknande banor där vissa även har enkla pusselmekaniker. Agenterna har sedan använts för att göra en undersökning om hur belöningssystemet Curiosity påverkar agentens förmåga att efter träning klara av för dem nya banor. Denna undersökning gjordes genom att träna 5 olika agenter under samma förhållanden där enbart styrkan på Curiosity-incitamentet skiljde dem åt. De olika Curiosity-styrkor som undersöktes var styrkorna: 0, 0.002, 0.033, 0.067 och 0.1. Dessa agenter utvärderades genom att spela igenom 8 utvärderingsbanor med varierande svårighetsgrad för att se vilken av agenterna som klarade av flest banor. Varje bana spelades igenom 50 gånger och antalet avklarade försök och tiden det tog för agenten att klara av varje bana antecknades. Resultatet visade att samtliga agenter som tränats med Curiosity presterade betydligt bättre än agenten som tränats utan Curiosity. Antalet avklarade försök på utvärderingsbanorna ökade med 121%-231% då agenter tränades med Curiosity. Agenterna som tränats med Curiosity visade viss variation i hur bra de klarade av spelets banor. Den agent som presterade bäst var den med Curiosity-styrkan 0.002. Agenter som tränats med Curiosity visade sig mer benägna att undersöka banorna, vilket gjorde att de inte körde fast lika ofta som agenten som tränats utan Curiosity. Agenterna med Curiosity-styrkorna 0.033, 0.067 och 0.1 anses dock ha ett för högt värde på sin Curiosity-styrka då de uppvisat ett sämre resultat, samt ett rörelsemönster som anses icke-optimalt då de jämförs med agenten med Curiosity-styrkan 0.002. Överlag visade samtliga agenter en hög standardavvikelse, vilket innebär att det förekom hög varians försöken emellan.

This thesis considers the problem of churn within the electricity distribution sector. More specifically, this study evaluates how supervised machine learning can be used by a Swedish electricity distributor in order to identify customer churn. The data was by provided by the electricity distributor and covered personal, geographical and contract specific information regarding the company’s customers. The provided data was complemented with external data covering the customers’ financial positions. Based on this information the possibility to predict customer churn over a three-month period with a gradient boosted decision tree was evaluated. The results from the proposed models suggests that the possibility to identify customer churn is rather poor and could not be used in a practice. This is believed to be a result of unbalanced class distributions and that the data provided simply is not informative enough to accurately predict customer churn. If more information about the customers is collected, with predictive analyses in mind, the performance of the model is likely to increase.

Denna rapport behandlar det kandidatarbete som har utförts av sju studenter från civilin-genjörsprogrammen datateknik och mjukvaruteknik på Tekniska högskolan vid Linköpingsuniversitet. Projektets mål var att ta fram ett system som via maskininlärning automatisktskapade matchningar mellan företagets interna basprodukter och produkter från diverse le-verantörer. Beställningen av systemet gjordes av Byggvarulistan i Sverige AB. Det utvecklade systemet ska lösa problemet företaget hade med att behöva göra alla match-ningar manuellt. Systemet innehåller en maskininlärningsdel som utför matchningarna ochett administrationsgränssnitt för att korrigera och acceptera dessa matchningar. Utvecklingenav systemet har behövts anpassas till de rådande förutsättningarna med visst brus i kundensdatabas. Graden av nytta som kunden kommer utvinna från systemet beror därför delvispå hur kvaliteten på databasens innehåll kan förbättras för att ge bättre förutsättningar tillmatchningssystemet. Rapporten beskriver hur utvecklingen av systemet har skett samt vad det slutgiltiga systemetblev. Detta gjordes utifrån en analys av de använda utvecklingsprocesserna och det slutgil-tiga systemet i ett bredare sammanhang. Det finns även sju individuella bidrag från varderaprojektmedlem där denne utvärderar ett arbetsmetod, algoritm, roll eller liknande relaterattill projektet.

Den här rapporten beskriver arbetet kring kandidatprojektet RaVe som utvecklats åt Magnus Bång vid Institutionen för Datavetenskap vid Linköpings universitet. Projektet har pågått under våren 2018 av en grupp om sju studenter som en del av kursen TDDD96 - Kandidatprojekt i programvaruutveckling. RaVe är en prototyp av ett patientövervakningssystem för sjukvården som med hjälp av kameror kan mäta hudtemperatur, hudfärg och andningsfrekvens. Systemet är dessutom uppbyggt för att enkelt kunna utökas med ytterligare funktionalitet. Rapporten beskriver även de verktyg och den hårdvara som använts under projektets gång. I samband med utvecklingsarbetet har arbetsmetodiker testats och utvärderats samtidigt som systemets etiska aspekter studerats.

<p>VT2020</p>

Today the quality control of inserts at Sandvik is done manually by looking at their crosssections through a microscope. The purpose of this project was to automate the quality control of inserts by exploring machine Learning technique to automatically detect structural faults in microscopic images of the insert. To detect these faults an image processing program was first created to extractevery possible fault feature, and then a convolutional neural network (CNN) wasimplemented and applied to the verification of the faults. The error rate (ER) ofextracting the correct faults in the Image Processing was 11% and from thesepossible faults extracted the CNN could then with a 4% ER identify the actualfaults. The dataset was limited in size and had a lack of systematic consistency inhow the images were taken. As a consequence, the model could not be trainedeffectively and therefore, the system did not perform adequate enough for directimplementation. However, the system shows great potential in automating thequality control, considering that the dataset can be improved by standardizing the way for taking the images and the amount of data can be increased with the time.

By using machine learning to monitor and find deviations in log data makes it easier for developers and can prevent a workflow from stopping. The goal of this project is to investigate if it is possible to find anomalies in log data using reinforcement learning. An anomaly detection model with reinforcement learning is compared to a machine learning method traditionally used for anomaly detection. The results show that reinforcement learning has an opportunity for a better or similar result as the traditional machine learning method.

Digitaliseringen medför ett allt större utbud av datoriserad teknik, med maskininlärning i framkanten. Allt ifrån industrirobotar till självkörande bilar kan dra nytta av maskininlärning för att fungera, men även andra komplexa problem kan lösas med maskininlärning. Ett problem med maskininlärning är dock energikostnaden av att träna stora modeller, varför effektivisering av modellerna och deras träning är aktuellt. I detta projekt utvecklas maskininlärningsmodeller av typen Convolutional Neural Network, som sedan används för att utföra objektklassificering på datasetet CIFAR-10, vilket består av 60 000 bilder i storleken 32x32 pixlar, tillhörande tio olika kategorier. Åtta olika modeller konstruerades med varierande antal konvolutionerande lager och maxbredd på de konvolutionerande lagerna, och olika aktiveringsfunktioner testades. Den modell som valdes ut som projektets slutprodukt består av åtta konvolutionerande lager med mellan 64 och 512 kanaler, vilket ger totalt 5,7 miljoner parametrar. Detta nätverk åstadkom en noggrannhet på 91% på 10 000 testbilder efter att det tränats i 120 epoker på datasetets 50 000 träningsbilder. Därefter kunde träningen av denna modell effektiviseras genom att tränas på endast hälften av träningsdatan, vilket resulterade i att träningstiden minskade från ca. 1 timme och 12 minuter till 40 minuter, samtidigt som accuracy sjönk med endast fyra procentenheter, till 87%.