Techn. University, Diss., 2006--Darmstadt.

We propose a neural network-based system for automatically grading essays written in Swedish. Previous system either relies on laboriously crafted features extracted by human experts or are limited to essays written in English. By using different variations of Long Short-Term Memory (LSTM) networks, our system automatically learns the relation between Swedish high-school essays and their assigned score. Using all of the intermediate states from the LSTM network proved to be crucial in order to understand the essays. Furthermore, we evaluate different ways of representing words as dense vectors which ultimately have a substantial effect on the overall performance. We compare our results to the ones achieved by the first and previously only automatic essay scoring system designed for the Swedish language. Although no state-of-the-art performance is reached, indication of the potential from a neural based grading system is found.

Den här uppsatsen är en deskriptiv tvärsnittsstudie som analyserar kommunalpolitiker och väljare 2012 i Sverige. Syftet var att undersöka om det fanns en skillnad mellan kommunpolitiker och väljare i deras inställning till förslaget om att ta emot färre flyktingar i Sverige. Vi har även estimerat hur mycket av skillnaden som kan förklaras utav bristande social representation. För att estimera detta har vi använt kumulativ ordinal regression där vi konstruerade olika modeller utifrån antagandet om proportionella odds.  Slutsatsen är att det rådde en påtaglig skillnad mellan kommunpolitiker och väljare, där väljare tenderade att tycka att förslaget var bättre än politikerna. Bristande social representation kan förklara skillnaden mellan politiker och väljare endast marginellt. Vi undersökte även hur det skiljde sig mellan kommunpolitiker och dess sympatisörer i partier som även fanns representerade i riksdagen. Slutsatserna av analysen är att samma mönster finns inom alla partier förutom Sverigedemokraterna, som tvärtom har kommunpolitiker som tycker förslaget är bättre än deras väljare. Storleken på skillnaden varierar mellan olika partier och dess väljare.

Denna uppsats har undersökt om det är möjligt att predicera volatilitet på aktiemarknaden med hjälp av sökordsdata från Google. Trettio finansrelaterade termer valdes ut i predicerande syfte och en binär targetvariabel för volatilitet konstruerades. De trettio sökorden reducerades till fyra komponenter med hjälp av Principalkomponentanalys (PCA) och användes sedan med hjälp av K-Nearest-Neighbor (KNN) för att predicera huruvida kommande vecka väntades bli volatil eller inte. De slutgiltiga resultaten visade att sökordsdatan kunde användas för prediktion av volatilitet.

This paper is made on behalf of Statistics and Research Åland, ÅSUB. The aim is to explain the turnover for companies in Åland, with appropriate variables. The main study variables are variables that consist of the Swedish and Finnish activity indices. The study variables also include variables which consist of tourists from Sweden and Finland and the introduction of the Euro in Finland. The data used is from the period January 1996 to June 2008. Different regression models for the turnover are tried and explanatory variables are selected by use of stepwise regression, backward elemination and forward selection.   The final model includes activity indices for Sweden and Finland, the introduction of the Euro, tourists from Finland and an autoregressive component of order one . The Swedish activity index are time lagged by one and three months and therefore consists of two variables, while the Finnish activity index is not lagged.

SMS-trafiken världen över ökar hela tiden och användningsområdena blir fler. Flera företag har börjat använda SMS som ett medium att kontakta sina kunder, de allra vanligaste brancherna som utnyttjar detta är banker, logistikföretag och läkarmottagningar. När ett företag vill SMSa ut till sina kunder så går SMSet via en aggregatör som har kontakter med flera operatörer. En aggregatörs framgång är beroende av att så många SMS som möjligt kommer fram, för det är på det de tjänar pengar. Denna rapport utreder därför på vilket sätt man kan mäta kvalité på SMS-utskick hos en aggregatör och med kvalité avses leveranssäkerhet, leveranstid och genomströmningshastighet. Arbetets första delar handlar om vad en aggregatör gör och vad kvalité är för en aggregatör, samt de tekniska bitarna som finns kring SMS såsom GSM och SMPP. Den data som har analyserats kommer ifrån en databas hos en aggregatör och tillsammans med vetskapen ifrån bakgrundsarbetet så har resultatet blivit åtta stycken olika mätningar som tillsammans mäter de kvalitéaspekter en aggregatör har. Med de mätmetoder som presenteras i detta arbete är det fullt möjligt att med ett monitoreringsverktyg få överblick av SMS-trafiken hos en aggregatör.

The Volvo Trucks cab plant in Umea is one of the northern Sweden’s largestengineering industries. The plant manufactures only cabs for trucks and is one of the most modern production plants in the world. Despite a highly automated and computerized system among many processes, the paint quality inspection process is still mainly performed manually. A real-time automated and intelligent quality inspection for painted cabs is highly desired to decrease the costs and at the same time to increase both the production efficiency and the product quality. This project is one step forward to the automation of paint quality control. Two different issues were treated during this project, namely defect detection and defect classification. These problems were solved by feeding four statistical approaches such as support vector machine, random forests, k-nearest neighbors and neural networks with extracted histogram of oriented gradients features from the captured images. The results revealed that support vector machine and random forests outperformed their contenders in terms of accuracy to both detect and to classify the defects. / Volvokoncernens hyttfabrik i Umeå är en av Norrlands största verkstadsindustrier.Hyttfabriken tillverkar bara hytter för lastbilar och tillhör en av världens modernaste produktionsanläggningar. Trots ett hög automatiserat och datoriserat system bland många processer så är kvalitetsinspektionen av målade hytter fortfarande utförd manuellt. En smart och automatiserad kvalitetskontroll kan leda till lägre kostnader, högre kvalitet samt högre produktions effektivitet. Den här studien är ett steg framåt mot en automatiserad kvalitetskontroll. Två slagsproblem undersöktes närmare i den här studien nämligen defekt inspektion och defekt klassificering. Dessa problem åtgärdades genom att förse fyra statistiskametoder, support vector machine, random forests, k-nearest neighbors och neuralnetworks, med extraherade HOG egenskaper från tagna bilder. Resultaten visade att support vector machine och random forests presterade bättre än dess konkurrenter i förhållande till förmågan att både inspektera och klassificera defekter.

Bayesian networks have grown to become a dominant type of model within the domain of probabilistic graphical models. Not only do they empower users with a graphical means for describing the relationships among random variables, but they also allow for (potentially) fewer parameters to estimate, and enable more efficient inference. The random variables and the relationships among them decide the structure of the directed acyclic graph that represents the Bayesian network. It is the stasis over time of these two components that we question in this thesis. By introducing a new type of probabilistic graphical model, which we call gated Bayesian networks, we allow for the variables that we include in our model, and the relationships among them, to change overtime. We introduce algorithms that can learn gated Bayesian networks that use different variables at different times, required due to the process which we are modelling going through distinct phases. We evaluate the efficacy of these algorithms within the domain of algorithmic trading, showing how the learnt gated Bayesian networks can improve upon a passive approach to trading. We also introduce algorithms that detect changes in the relationships among the random variables, allowing us to create a model that consists of several Bayesian networks, thereby revealing changes and the structure by which these changes occur. The resulting models can be used to detect the currently most appropriate Bayesian network, and we show their use in real-world examples from both the domain of sports analytics and finance.

Vid Linköpings Universitetssjukhus kommer en ny akutmottagning att öppna. En pre-triagesjuksköterska kommer sitta innanför ankomstentrén. Åtgärden kan reducera väntetid till medicinsk bedömning och vistelsetid på akutmottagningen. Studiens syfte var att undersöka hur överbelastning och pre-triagesjuksköterskan inverkar på patienters väntetid till medicinsk bedömning samt vistelsetid på en akutmottagning. Studien har även analyserat om pre-triagesjuksköterskans insatser inverkade på andelen patienter som erhöll en högre prioritet under vistelsetiden. Analyser utfördes med multipel linjär regression och urval av data. Slutsatser visar att överbelastning ökade både väntetid och vistelsetid. Pre-triagesjuksköterskan minskade väntetiden till medicinsk bedömning. Mer data behöver analyseras för att säkerställa resultatet för inverkan på vistelsetid. Mer data behövs före slutsatsen om pre-triagesjuksköterskans inverkan på andelen patienter som får högre prioritet.

Compositional data, where measurements are vectors with each component constituting a percentage of a whole, is abundant throughout many disciplines of science. Consequently, there is a strong need to establish valid statistical procedures for this type of data. In this work the basic theory of the compositional sample space is presented and through simulation studies and a case study on data from industrial applications, the current available methods for regression as applied to compositional data are evaluated. The main focus of this work is to establish linear regression in a way compatible with compositional data sets and compare this approach with the alternative of applying standard multivariate regression methods on raw compositional data. It is found that for several data sets, the difference between 'naive' multivariate linear regression and compositional linear regression is negligible; while for others (in particular where the dependence of covariates is not strictly linear) the compositional regression methods are shown to be stronger.