The recent advances in deep learning have made it state-of-the-art for many different tasks, making its potential usefulness for analyzing electroencephalography (EEG) data appealing. This study aims at automatic feature extraction and classification of likeability, valence, and arousal elicited by auditory stimuli from music by training deep neural networks (DNNs) on  minimally pre-processed multivariate EEG time series. Two data sets were collected, the first containing 840 samples from 21 subjects, the second containing 400 samples from a single subject. Each sample consists of a 30 second EEG stream which was recorded during music playback. Each subject in the multiple subject data set was played 40 different songs from 8 categories, after which they were asked to self-label their opinion of the song and the emotional response it elicited. Different pre- processing and data augmentation methods were tested on the data before it was fed to the DNNs. Three different network architectures were implemented and tested, including a one-dimensional translation of ResNet18, InceptionTime, and a novel architecture built upon from InceptionTime, dubbed EEGNet. The classification tasks were posed both as a binary and a three-class classification problem. The results from the DNNs were compared to three different methods of handcrafted feature extraction. The handcrafted features were used to train LightGBM models, which were used as a baseline. The experiments showed that the DNNs struggled to extract relevant features to discriminate between the different targets, as the results were close to random guessing. The experiments with the baseline models showed generalizability indications in the data, as all 36 experiments performed better than random guessing. The best results were a classification accuracy of 64 % and an AUC of 0.638 for valence on the multiple subject data set. The background study discovered many flaws and unclarities in the published work on the topic. Therefore, future work should not rely too much on these papers and explore other network architectures that can extract the relevant features to classify likeability and emotion from EEG data. / Djupinlärning har visat sig vara effektivt för många olika uppgifter, vilket gör det möjligt att det även kan användas för att analysera data från elektroencefalografi (EEG). Målet med denna studie är att genom två egeninsamlade dataset försöka klassificera huruvida någon gillar en låt eller inte samt vilka känslor låten väcker genom att träna djupa neurala nätverk (DNN) på minimalt pre-processade EEG-tidsserier.  För det första datasettet samlades 840 dataexempel in från 21 deltagare. Dessa fick lyssna på 30-sekunders snuttar av 40 olika låtar från 8 kategorier varvid de fick svara på frågor angående vad de tyckte om låten samt vilka känslor den väckte. Det andra datasettet samlade in 400 dataexempel från endast en deltagare. Datan blev behandlad med flera olika metoder för att öka antalet träningsexempel innan det blev visat för de neurala nätverken. Tre olika nätverksarkitekturer implementerades och testades; en endimensionell variant av ResNet18, InceptionTime samt en egenbyggd arkitektur som byggde vidare på InceptionTime, döpt till EEGNet. Nätverken tränades både för binär och tre-klass klassificering.  Resultaten från nätverken jämfördes med tre olika metoder för att bygga egna prediktorer från EEG-datan. Dessa prediktorer användes för att träna LightGBM modeller, vars resultat användes som baslinje. Experimenten visade att DNNsen hade svårt att extrahera relevanta prediktorer för att kunna diskriminera mellan de olika klasserna, då resultaten var nära till godtyckligt gissande. Experimenten med LightGBM modellerna och de handgjorda prediktorerna visade dock indikationer på att det finns relevant information i datan för att kunna prediktera ett visst utfall, då alla 36 experiment presterade bättre än godyckligt gissande. Det bästa resultatet var 64 % träffsäkerhet för valens och binär klassificering, med en AUC på 0.638, för datasettet med många deltagare. Bakgrundsstudien upptäckte många oklarheter och fel i flera av de artiklar som är publicerade på ämnet. Framtida arbete bör därför inte förlita sig på denna alltför mycket. Den bör fokusera på att utveckla arkitekturer som klarar att extrahera de relevanta prediktorer som behövs för att kunna prediktera huruvida någon tycker om en låt eller inte samt vilka känslor denna väckte.

Inledning: I inledningen redogörs för hur digitala sociala nätverk har växt fram och tagit en allt större plats i konsumenters vardag vilket har gjort dem till utmärkta marknadsföringskanaler. Därefter förklaras det nyaste stjärnskottet bland sociala medier, TikTok, och dess potentiella roll inom marknadsföring.  Syfte: Studiens syfte är att undersöka hur marknadsföring genom sociala medier påverkar unga svenska konsumenters attityder.  Frågeställningar: Utifrån studiens syfte har två frågeställningar formulerats:  1. Vilken påverkan har marknadsföring genom TikTok på unga konsumenters kognitiva och affektiva attitydkomponent samt beteendekomponent?  2. Vad har bakgrundsvariabler (demografiska och användning) för effekt på unga konsumenters attityder till marknadsföring genom TikTok?  Teori: I studiens teoriavsnitt presenteras sociala medier som marknadsföringsverktyg mer utförligt. Därefter förklaras det komplexa begreppet attityd som delas in i tre olika attitydkomponenter. Vidare beskrivs teori runt word-of-mouth, content marketing, Generation Z, skillnader mellan könen samt skillnader mellan olika typer av användare Metod: Studien är grundad i en kvantitativ metod och en tvärsnittsdesign har tillämpats. Empirin har samlats in genom enkäter online. Data har sedan analyserats i det statistiska programmet SPSS med T-tester, korrelationsanalyser och ANOVA-analyser.  Slutsats: Studien har visat att marknadsföring genom TikTok inte har en positiv påverkan på konsumenters attityder. Dock är detta den första studien av sitt slag och det krävs därför mer forskning för att stärka eller förkasta resultatet. Word-of-mouth och content marketing hade ett starkt positivt samband med konsumenternas attityder. Det fanns inga skillnader mellan könen. En liten skillnad upptäcktes mellan olika användare där de som någon gång publicerat något på TikTok hade positivare kognitiv attityd än de som aldrig publicerat något. / Introduction: The introduction consist of how the digital world of social networking has evolved and been given more room in the individuals everyday life which has made it possible for the platforms to become excellent marketing channels. Then the study presents the new sensation TikTok and their potential part in marketing. Purpose: This paper aims to investigate the influence of TikTok marketing communications on young consumers’ cognitive, affective and behavioral attitude components in Sweden.  Research questions: Based on the study’s purpose the following research questions where phrased:  1. What influence do TikTok marketing communications have on young consumers’ cognitive, affective and behavioral attitude components?  2. What influence do background variables have on young consumers’ attitudes towards marketing through TikTok?  Theory: The theoretical part of the study provides more in-depth explanations about social media as a marketing tool, the complex concept of an attitude which can be divided into three different components. Furthermore, the theories of word-of-mouth, content marketing, Generation Z, differences in genders attitudinal responses, and differences among various types of users, are described. Method: The study is based on a quantitative method and a cross-sectional design was applied. An online survey was used via self-administered questionnaires that where distributed through a snowball sampling. Data was analyzed through the statistical tool SPSS by using T-tests, bivariate correlation analysis and ANOVA analysis. Conclusion: The study discovered that young consumers displayed unfavorable attitudes towards marketing communications through TikTok. However, both word-of-mouth and content marketing was positively correlated to attitudes. No significant differences were found between genders. Individuals who had at least posted content sometime on TikTok displayed more favorable cognitive attitudes than those who had never posted on TikTok.