Denna rapport behandlar och kartlägger samplingens och hiphopens historiska uppkomst, redovisar hur nutiden ser ut och landar i kvalificerade antaganden om samplingens framtid i relation till AI. Syftet har varit att förstå hur historien och nutiden potentiellt kan påverka framtiden inom AI-baserad samplingskonst. Med hjälp av kvalitativa litteraturstudier och intervjuer med aktiva musikproducenter inom branschen har antaganden gjorts och diskussioner förts om AI-baserat musikskapande, dess etiska och rättsliga frågor och samarbetet mellan mänskliga producenter och AI-relaterade verktyg. Dessa verktyg inom sampling existerar redan idag, och utmaningen ligger framför allt i hur musikproducenter ska ta sig an dessa, då skapandeprocessen och hantverket många gånger värderas högre än effektiviteten. Jag har inte kunnat identifiera några regler och lagar kring upphovsrätt när det kommer till AI-baserat musikskapande, och branschen står inför en utmaning hur och när detta skall komma att regleras på ett tydligt sätt. Det mänskliga elementet kommer bli svår att ersätta, just eftersom hantverket och skaparglädjen är så central inom musikproduktion. Att se AI verktygen som ett komplement istället för en ersättare är en av nycklarna till att tekniken skall accepteras på en större skala hos musikproducenter.

We propose a ratio estimator to determine population estimates using capture-recapture sampling. It's different than traditional approaches in the following ways: (1) Ordering of recaptures: Currently data sets do not take into account the "ordering" of the recaptures, although this crucial information is available to them at no cost. (2) Dependence of trials and cluster sampling: Our model explicitly considers trials to be dependent and improves existing literature which assumes independence. (3) Rate of convergence: The percentage sampled has an inverse relationship with population size, for a chosen degree of accuracy. (4) Asymptotic Attainment of Minimum Variance (Open Systems: (=population variance). (5) Full use of data and model applicability (6) Non-parametric (7) Heterogeneity: When units being sampled are hard to identify. (8) Open and closed systems: Simpler results are presented separately for closed systems. (9) Robustness to assumptions in open systems

A simulation-based reliability analysis method is presented and evaluated. This method is intended for problems for which most probable point of failure (MPP) search-based methods fail or provide inaccurate results, and for which Monte Carlo simulation and its variants are too costly to apply. This may occur in the evaluation of complex engineering problems of low failure probability. The method used to address this problem is a variant of conditional expectation and works by sampling on the failure boundary without relying on the MPP. The effectiveness of the method is compared to a selection of other commonly available reliability methods considering a variety of analytical as well as more complex engineering problems. The results indicate that the method has the potential to deliver solutions of high efficiency and accuracy for a wide range of difficult reliability problems.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.