The purpose of the study is to understand, from interviews with four teachers, how they relate to students with or in reading and writing difficulties. Furthermore, the purpose is to investigate whether the teachers in the study regard students as either with reading or writing difficulties or in reading and writing difficulties. The transcribed interview answers are interpreted and analyzed based on the categories of relational and categorical approaches. There are teachers who carry on both approaches. Teachers 'approaches in these regards have consequences for teachers' practical organization of teaching. A relational approach tends to be reflected in if teachers prefer to include students in reading and writing difficulties in regular teaching, while teachers with a more categorical approach to students with reading and writing difficulties tend to advocate that these students benefit best from alternative teaching methods that involve that the students are excluded from the rest of the class and the regular teaching. From the present study it appears that two teachers assume a relational perspective, and the other two carry both a relational and a categorical perspective at the same time, one teacher leans more on one perspective with elements of the other and vice versa. The teachers in the study mention the importance of social interaction at school and how it benefits learning. Therefore, this study's analysis is rooted in the sociocultural learning theory. Overall, collected data suggest that teachers and special educators and specialist teachers need to collaborate more within the classroom framework to create an inclusive environment.

The possible effects of the General Data Protections Regulations (GDPR) have been widely discussed among policymakers, stakeholders and ordinary people who are the objective for data collection. The purpose of GDPR is to protect people’s integrity and increase transparency for how personal data is used. Up until May 25th, 2018 personal data could be sampled and used without consent from users. Many argue that the introduction of GDPR is good, others are reluctant and argue that GDPR may harm data-driven companies. The report aims to answer how GDPR affects sales at the flight search engine Flygresor.se. By examining how and to what extent these regulations impact revenue, it is hoped for that these findings will lead to a deeper understanding of how these regulations affect businesses. Multiple linear regression analysis was used as the framework to answer the research question. Numerous models were constructed based on data provided by Flygresor.se. The models mostly included categorical variables representing time indicators such as month, weekday, etc. After carefully performing data modifications, variable selections and model evaluation tests three final models were obtained. After performing statistical inference tests and multicollinearity diagnostics on the models it could be concluded that an effect from GDPR could not be statistically proven. However, this does not mean that an actual effect of GDPR did not occur, only that it could not be isolated and proven. Thus, the extent of the effect of GDPR is statistically inconclusive. / De möjliga följderna av införandet av General Data Protections Regulations (GDPR) har varit väl omdiskuterat bland beslutsfattare, intressenter och människor som är målet för datainsamlingen. Syftet med GDPR är att skydda människors integritet samt öka insynen för hur personlig data används. Fram tills den 25 maj 2018 har det varit möjligt att samla in och använda personuppgifter utan samtyckte från användare. Många menar att införandet av GDPR är nödvändigt medans andra är mer kritiska och menar att GDPR kan skada lönsamheten för data beroende verksamheter. Denna rapport syftar till att svara på huruvida GDPR har påverkat försäljningen på flygsökmotorn Flygresor.se. Genom att undersöka om och i vilken utsträckning dessa regler påverkat intäkterna, är förhoppningen att dessa resultat kan leda till en djupare förståelse för hur GDPR påverkar företag. Multipel linjär regressionsanalys användes som ramverk för att svara på frågeställningen. Flera modeller utformades baserat på data som tillhandahölls av Flygresor.se. Modellerna var främst baserade på kategoriska variabler som representerade tidsaspekter så som månad, veckodag etc. Efter ett grundligt genomförande av data modifieringar, variabelselektion och modellutvärdering kunde tre modeller konstateras. Efter att ha genomfört signifikanstester och korrelationstester på modellerna kunde det fastställas att en effekt från GDPR inte kunde statistiskt säkerställas. Dock betyder detta inte att GDPR inte har haft en faktisk effekt, utan att en effekt inte kunde isoleras och bevisas.

Machine learning methods can be used for solving important binary classification tasks in domains such as display advertising and recommender systems. In many of these domains categorical features are common and often of high cardinality. Using one-hot encoding in such circumstances lead to very high dimensional vector representations, causing memory and computability concerns for machine learning models. This thesis investigated the viability of a binary encoding scheme in which categorical values were mapped to integers that were then encoded in a binary format. This binary scheme allowed for representing categorical features using log2(d)-dimensional vectors, where d is the dimension associated with a one-hot encoding. To evaluate the performance of the binary encoding, it was compared against one-hot and feature hashed representations with the use of linear logistic regression and neural networks based models. These models were trained and evaluated using data from two publicly available datasets: Criteo and Census. The results showed that a one-hot encoding with a linear logistic regression model gave the best performance according to the PR-AUC metric. This was, however, at the expense of using 118 and 65,953 dimensional vector representations for Census and Criteo respectively. A binary encoding led to a lower performance but used only 35 and 316 dimensions respectively. For Criteo, binary encoding suffered significantly in performance and feature hashing was perceived as a more viable alternative. It was also found that employing a neural network helped mitigate any loss in performance associated with using binary and feature hashed representations. / Maskininlärningsmetoder kan användas för att lösa viktiga binära klassificeringsuppgifter i domäner som displayannonsering och rekommendationssystem. I många av dessa domäner är kategoriska variabler vanliga och ofta av hög kardinalitet. Användning av one-hot-kodning under sådana omständigheter leder till väldigt högdimensionella vektorrepresentationer. Detta orsakar minnesoch beräkningsproblem för maskininlärningsmodeller. Denna uppsats undersökte användbarheten för ett binärt kodningsschema där kategoriska värden var avbildade på heltalvärden som sedan kodades i ett binärt format. Detta binära system tillät att representera kategoriska värden med hjälp av log2(d) -dimensionella vektorer, där d är dimensionen förknippad med en one-hot kodning. För att utvärdera prestandan för den binära kodningen jämfördes den mot one-hot och en hashbaserad kodning. En linjär logistikregression och ett neuralt nätverk tränades med hjälp av data från två offentligt tillgängliga dataset: Criteo och Census, och den slutliga prestandan jämfördes. Resultaten visade att en one-hot kodning med en linjär logistisk regressionsmodell gav den bästa prestandan enligt PR-AUC måttet. Denna metod använde dock 118 och 65,953 dimensionella vektorrepresentationer för Census respektive Criteo. En binär kodning ledde till en lägre prestanda generellt, men använde endast 35 respektive 316 dimensioner. Den binära kodningen presterade väsentligt sämre specifikt för Criteo datan, istället var hashbaserade kodningen en mer attraktiv lösning. Försämringen i prestationen associerad med binär och hashbaserad kodning kunde mildras av att använda ett neuralt nätverk.

The purpose of my scientific essay is to examine the identity creating processes that goes on amongst pupils as well as pedagogues in leisure time centers. This seen from a gender perspective. The questions in this essay revolves around me as a role model in the leisure time center and how I use the binary gender categories in my line of work. Moreover, how can I present a safe environment for my pupils to try out their identity from a gender perspective. I analyze my questions seen through a leisure time center pedagogue ́s everyday worksituation under the influence of a workplace jargon. A jargon that seems to be enhancing the polatity between the binary gender categories. The theories I use in my essay to reflect upon my questions is Kants philosophy about freedom and the categorical imperative, Lenz Taguchis description of feministic poststructuralistic theory and Butlers theory on sex and gender as socially and cultural constructed. Through my scientific essay I have reflected upon my role as a role model in a way that takes me through an identity creating process of my own in my profession as a leisure time center pedagogue. And by takinga glance on my own actions it has created a bigger understanding of what has formed my own identity as a pedagogue from a gender perspective. This hopefully will increase my ability to present a safe environment for my future pupils in their identity creating processes in the leisure time center in a gender perspective. / Syftet med min vetenskapliga essä är att undersöka identitetsskapande processer på fritidshemmet, både hos pedagoger och elever. Frågeställningarna i essän berör min roll som förebild som blivande fritidshemslärare, hur jag förhåller mig till könskategorierna kvinna och man, flicka och pojke i mitt arbete. Och vidare hur jag skapar trygghet för att eleverna i fritidshemmet ska känna sig fria att pröva sin identitetur ett köns och genusperspektiv. Dessa frågor belyser jag ur ett gestaltat dilemma om hur en fritidshemslärares vardag kan präglas av en arbetsplatsjargong. En jargong som jag upplever förstärker polariteteten mellan könskategorierna kvinna och man. De teorier jag använder för att reflektera kring min vetenskapliga essäs frågeställningar är Kants teori om frihet och det kategoriska imperativet, Lenz Taguchis beskrivning av feministisk poststrukturalistisk teori och Butlers teori om kön och genus som socialt och kulturellt konstruerade. Genom min vetenskapliga essä har jag reflekterat kring min roll som förebild. Att skriva essän har i sig varit en identitetsskapande process för mig då jag vänt blicken mot mig själv i en situation som jag tidigare inte förstått min roll i. Vidare har jag genom essäskrivandet börjat förstå vilken komplex process identitetsskapande är och hur dessa processer är något som pågår samtidigt hos flera personer i ett socialt sammanhang. Min förhoppning är att detta kommer att öka min möjlighet och förmåga att se till att mina elevers identitetsskapande processer får fortgå i en trygg miljö på fritidshemmet.

This thesis explores the feasibility of clustering mixed data and unevenly spaced time series for customer segmentation. The proposed method implements the Gower dissimilarity as the local distance function in dynamic time warping to calculate dissimilarities between mixed data time series. The time series are then clustered with k−medoids and the clusters are evaluated with the silhouette score and t−SNE. The study further investigates the use of a time warping regularisation parameter. It is derived that implementing time as a feature has the same effect as penalising time warping, andtherefore time is implemented as a feature where the feature weight is equivalent to a regularisation parameter. The results show that the proposed method successfully identifies clusters in customer transaction data provided by Nordea. Furthermore, the results show a decrease in the silhouette score with an increase in the regularisation parameter, suggesting that the time at which a transaction occurred might not be of relevance to the given dataset. However, due to the method’s high computational complexity, it is limited to relatively small datasets and therefore a need exists for a more scalable and efficient clustering technique. / Denna uppsats utforskar klustring av ojämnt fördelade tidsserier med numeriska och kategoriska variabler för kundsegmentering. Den föreslagna metoden implementerar Gower dissimilaritet som avståndsfunktionen i dynamic time warping för att beräkna dissimilaritet mellan tidsserierna. Tidsserierna klustras sedan med k-medoids och klustren utvärderas med silhouette score och t-SNE. Studien undersökte vidare användningen av en regulariserings parameter. Det härledes att implementering av tid som en egenskap hade samma effekt som att bestraffa dynamic time warping, och därför implementerades tid som en egenskap där dess vikt är ekvivalent med en regulariseringsparameter.  Resultaten visade att den föreslagna metoden lyckades identifiera kluster i transaktionsdata från Nordea. Vidare visades det att silhouette score minskade då regulariseringsparametern ökade, vilket antyder att tiden transaktion då en transaktion sker inte är relevant för det givna datan. Det visade sig ytterligare att metoden är begränsad till reltaivt små dataset på grund av dess höga beräkningskomplexitet, och därför finns det behov av att utforksa en mer skalbar och effektiv klusteringsteknik.