Målet med studien ämnar undersöka till vilken grad det går att använda modeller inom maskininlärning, i syfte att identifiera marknadstrender och ersätta nuvarande marknadsanalysmetoder. Data utvinns genom Information Extraction från svenska blogginlägg och förbehandlas med TFIDF-standarden. Vidare sker klustring av data med algoritmen kmeans. Resultatet antyder på viss potential, men att ytterligare studier för implementering av sentimentalanalys och vidare utveckling av förbehandlingsmetoder krävs för att uppnå målet. / The aim of the study is to research the extent to which models in machine learning can be used, in order to identify market trends and replace current market analysis methods. Data is extracted using Information Extraction from Swedish blog posts and pre-processed with the TF-IDF standard. Furthermore, clustering of data is performed with the algorithm kmeans. The result indicates potential in monitoring of social media, but that further studies for implementation of sentimental analysis and further development of pre-processing methods are required to achieve the goal.

Ett sätt att informera smartphone-användare om deras klimatpåverkan är genom att automatiskt identifiera vilket transportmedel användaren nyttjat och använda informationen för att uppskatta användarens utsläpp av växthusgaser. Målet med det här projektet var att sammanställa en översikt av befintliga lösningar och metoder för att detektera smartphone-användares transportmedel och utvärdera hur ett system presterar då testdata är samlad i ett annat geografiskt område än datan som använts för att träna systemet. Utvärdering av systemet skedde via kvantitativa metoder där sensordata samlades in och användes för att testa systemet. Sensordata samlades vid gång, stilla, tåg, buss och bil. Resultatet är ett system som med varierande sannolikhet kan avgöra transportmedel i Sverige. Systemets totala precision var 29 procentenheter lägre då data som samlats i Sverige användes i testerna jämfört med data insamlad i samma geografiska område som träningsdatan. Slutsatsen är att det kan vara problematiskt att applicera en lösning i ett annat geografiskt område än lösningen utvecklats för. Genom testerna framkom att fordonstransport verkar särskilt känsligt vid byte av geografisk kontext. / A way to inform smartphone users about their climate impact is by automatically identifying their means of transport and use the information to estimate the user's emissions of greenhouse gases. The aim of this project was to create an overview of existing solutions and methods for detecting smartphone users' means of transport and evaluating how a system performs when test data is collected in a different geographical area than the data used to train the system. Evaluation of the system was done via quantitative methods where sensor data was collected and used to test the system. Sensor data was collected by walking, still, train, bus and car. The result is a system that, with varying probability, can determine the means of transport in Sweden. The system's total accuracy was 29 percentage points lower when data collected in Sweden was used in the tests compared to data collected in the same geographical area as the training data. The conclusion is that it can be problematic to apply a solution in a different geographical area than where the solution was developed for. The tests showed that vehicle detection seems particularly sensitive to changing geographical context.

Many online fighting games use rollback netcode in order to compensate for network delay. Rollback netcode allows players to experience the game as having reduced delay. A drawback of this is that players will sometimes see the game quickly ”jump” to a different state to adjust for the the remote player’s actions. Rollback netcode implementations require a method for predicting the remote player’s next button inputs. Current implementations use a naive repeatlastframe policy for such prediction. There is a possibility that alternative methods may lead to improved user experience. This project examines the problem of improving input prediction in fighting games. It details the development of a new prediction model based on recurrent neural networks. The model was trained and evaluated using a dataset of several thousand recorded player input sequences. The results show that the new model slightly outperforms the naive method in prediction accuracy, with the difference being greater for longer predictions. However, it has far higher requirements both in terms of memory and computation cost. It seems unlikely that the model would significantly improve on current rollback netcode implementations. However, there may be ways to improve predictions further, and the effects on user experience remains unknown. / Många online fightingspel använder rollback netcode för att kompensera för nätverksfördröjning. Rollback netcode låter spelare uppleva spelet med mindre fördröjning. En nackdel av detta är att spelare ibland ser spelet snabbt ”hoppa” till ett annat tillstånd för att justera för motspelarens handlingar. Rollback netcode implementationer behöver en policy för att förutsäga motspelarens nästa knapptryckningar. Nuvarande implementationer använder en naiv repetera-senaste-frame policy för förutsägelser. Det finns en möjlighet att alternativa metoder kan leda till förbättrad användarupplevelse. Det här projektet undersöker problemet att förbättra förutsägelser av knapptryckningar i fightingspel. Det beskriver utvecklingen av en ny förutsägelsemodell baserad på rekursiva neuronnät. Modellen tränades och evaluerades med ett dataset av flera tusen inspelade knappsekvenser. Resultaten visar att den nya modellen överträffar den naiva metoden i noggrannhet, med större skillnad för längre förutsägelser. Dock har den mycket högre krav i både minne och beräkningskostad. Det verkar osannolikt att modellen skulle avsevärt förbättra nuvarande rollback netcode implementationer. Men det kan finnas sätt att förbättra förutsägelser ytterligare, och påverkan på användarupplevelsen förblir okänd.

Neural network quantum states (NNQS) is a novel machine learning method, based on restricted Boltzmann machines, previously used to represent the wave function in many-body quantum mechanics. In this thesis, we use NNQS to instead find integrals of motion, i.e., operators, commuting with the Hamiltonian, describing a system. We also attempt to use this method to find the phase transition in systems exhibiting many-body localization. The neural network is shown to be highly successful in finding integrals of motion for the considered systems, while the outcome of finding the phase transition is less conclusive. / Neurala nätverk-kvanttillstånd (NNQS) är en ny maskinginlärnings-metod, baserad på begränsad Boltzmann-maskin-arkitektur, som tidigare använts för att representera vågfunktionen i flerkropps-kvantmekanik. I den här avhandlingen använder vi NNQS för att istället hitta rörelseintegraler, det vill säga operatorer, som kommuterar med Hamiltonianen, vilken beskriver systemet. Vi undersöker även möjligheten att använda denna metod för att hitta fasövergången i system med flerkroppslokalisering. Vi visar att de neurala nätverken är mycket framgångsrika i att hitta rörelseintegraler för de betraktade systemen, medan våra resultat gällande att hitta fasövergången är mindre slutgiltiga.

Myocardial injury is the leading cause of death in Europe following non-cardiac surgery. Its causes, diagnosis, and treatment are still under investigation by the scientific community. Some research groups have hypothesized a connection between myocardial injury and hypotension during surgery. This thesis investigated the development of a machine learning binary classifier to make a diagnosis of myocardial injury from a set of patients undergoing non-cardiac surgery. Furthermore, it aimed to clarify the potential of hypotension as a predictor of the pathology. After an evaluation of the requirements that the model had to meet, it was decided to use a decision tree. 4 features were selected combining ANOVA and the domain knowledge of the doctors. The classifier obtained a F1 macro-score of 0.68, showing to have potential in classifying patients as positive or negative. Among the selected features, hypotension obtained the lowest predictive power. Despite the performance of the model, further research is needed to validate the results across different populations and to investigate the use of hypotension as a predictor of myocardial injury. / Myokardiell skada är den främsta dödsorsaken i Europa efter icke-kardiell kirurgi. Dess orsaker, diagnos och behandling är fortfarande under utredning av vetenskapssamfundet. Vissa forskargrupper har hypotiserat om ett samband mellan myokardiell skada och hypotoni under operationen. Denna avhandling undersökte utvecklingen av en binär klassificerare med maskininlärning för att ställa diagnos på myokardiell skada hos en grupp patienter som genomgick icke-kardiell kirurgi. Dessutom syftade den till att klargöra hypotoniens potentiella betydelse som en prediktor för sjukdomen. Efter en utvärdering av modellens krav beslutades det att använda ett beslutsträd. Fyra egenskaper valdes ut genom att kombinera ANOVA och läkarnas domänkunskap. Klassificeraren uppnådde en F1-makropoäng på 0,68 och visade potential att klassificera patienter som positiva eller negativa. Bland de valda egenskaperna hade hypotension den lägsta prediktiva förmågan. Trots modellens prestanda behövs ytterligare forskning för att validera resultaten i olika populationer och undersöka användningen av hypotension som en prediktor för myokardiell skada.

Quantum computing is an emerging field with potential applications in machine learning. This research project aimed to compare the performance of a quantum kernel to that of a classical kernel in machine learning binary classification tasks. Two Support Vector Machines, a popular classification model, was implemented for the respective Variational Quantum kernel and the classical Radial Basis Function kernel and tested on the same sets of artificial quantum-based testing data. The results show that the quantum kernel significantly outperformed the classical kernel for the specific type of data and parameters used in the study. The findings suggest that quantum kernels have the potential to improve machine learning performance for certain types of problems, such as search engines and self-driving vehicles. Further research is, however, needed to confirm their utility in general situations. / Kvantberäkning är ett växande forskningsområde med möjliga tillämpningar inom maskininlärning. I detta forskningsprojekt jämfördes prestandan hos en klassisk kärna med den hos en kvantkärna i binär klassificering för maskininlärninguppgifter, och implikationerna av resultaten diskuterades. Genom att implementera två stödvektormaskiner, en populär klassifikationsmodell, för respektive variabel kvantkärna och klassisk radiell basfunktionskärna kunde vi direkt testa båda kärnorna på samma uppsättning av artificiella kvant-baserad testdata. Resultaten visar på betydande prestandafördelar för kvantkärnan jämfört med den klassiska kärnan när det gäller denna specifika typ av data och de parametrar som användes i vår studie. Vi drar slutsatsen att kvantkärnor inom maskininlärning har potential att överträffa klassiska kärnor, men att mer forskning krävs för att fastställa om detta har någon nytta i allmänna situationer. Om det finns betydande prestandafördelar kan det finnas många tillämpningar, till exempel för sökmotorer och självkörande fordon.

This thesis examines how recent advances in debaised machine learning can be used for estimating price elasticities of demand within the automotive insurance field. Traditional methods such as generalized linear model (GLM) to estimate demand has no way of ensuring there are no biases in the underlying data selection, especially when the confounding variables are many. These approaches instead rely on the user’s experience to remove biases in the data. Advances, in the crossing fields between economics and machine learning have however found new approaches to debias datasets automatically through the double machine learning approach (DML). Using a large data set of insurance offers and sales from a Swedish insurance company, the double machine learning approach first described by Chernozhukov et al. (2016) is used to estimate the price elasticity of demand for individual customers. The price elasticities are then grouped on variables of importance and combined with the loss ratio of the segment in order to optimize the existing insurance tariff. In terms of model performance, the importance of the first stage classifier and regressor proved to be important for the final results. In alignment with expectations of the results, higher premium cars such as BMW and Mercedes proved to be more price sensitive. However, these brands also had higher loss ratios which resulted in a lower potential for lowering prices. Aligning the price elasticity with the loss ratios and the company’s strategy was found to be an important aspect. On average, the automotive insurance industry was shown to be price sensitive with few segments of inelastic characteristics. / I denna rapport undersöks hur de senaste framstegen inom maskininlärning kan användas för att uppskatta priselasticiteten hos efterfrågan inom bilförsäkringar. Traditionella metoder som generalized linear model (GLM) för att uppskatta efterfrågan har inget sätt att säkerställa att det inte finns några biaser i det underliggande dataurvalet, särskilt inte när det finns många variabler som kan påverka. Dessa metoder förlitar sig i stället på användarens erfarenhet för att ta bort bias i variablerna. Inom området där ekonomi och maskininlärning korsas har man däremot funnit nya metoder för att automatiskt ta bort bias i dataset genom dubbel maskininlärning (DML). Med hjälp av en stor datamängd av försäkringsofferter och försäljningsresultat från ett svenskt försäkringsbolag används den dubbla maskininlärningsmetoden som först beskrevs av Chernozhukov et al. (2016) för att uppskatta priselasticiteten hos individuella kunder. Priselasticiteterna grupperas sedan på variabler av intresse och kombineras med segmentets skadefrekvens för att optimera den befintliga försäkringstariffen. När det gäller modellens prestanda visade sig betydelsen av det första stegets klassificerare och regressorer vara viktiga för slutresultaten. I linje med förväntningarna på slutresultatet visade sig bilar med högre premier, som BMW och Mercedes, vara mer priskänsliga. Dessa märken hade dock också högre skadefrekvenser, vilket resulterade i en lägre potential för prissänkningar. En viktig slutsats från resultat var vikten av att justera och anpassa prisoptimeringen efter segmentets skadefrekvens och företagets strategi. I genomsnitt visade sig bilförsäkringsbranschen vara priskänslig med få segment med oelastiska egenskaper.

Detta arbete handlar om att prediktera energiproduktion för en solcellsanläggning som är installerat på ett flerbostadshus i Karlstad. Syftet är att skapa en modell som tar data från föregående dygn som input och baserad på det  predikterar solenergiproduktionen 1h framåt. För att uppnå arbetets syfte presenteras teorier om maskininlärning och statistiska utvärderingsmetoder. Modellen implementeras med hjälp av programkod i toolboxen deep learning i MATLAB. Där tränas det på tidigare data för att hitta någon form av mönster och baserad på det prediktera energiproduktionen för 1h framåt givet energiproduktionen från föregående 24h. Algoritmen som används i arbetet är LSTM. I arbetet undersöks också hur mycket data bakåt i tiden som modellen behöver tränas på för att predikteringen ska ge en god indikation på energiproducering. Resultatet visar att bästa modell erhålls genom att träna modellen med 1års data bakåt i tiden med specifika nätverksinställningar . Vidare, ger modellen en MAE på 0.998kWh och en RMSE på 1.765kWh. / This project is about predicting energy production for a photovoltaic system that is installed on a building in Karlstad. The aim is to create a model that takes data from the previous day as input and based on that predicts solar energy production 1h ahead. To achieve the purpose of the work, theories on machine learning as well as statistical evaluation methods are presented. The model is implemented using program code in deep learning toolbox in MATLAB. There, it is trained on previous data to find some pattern in the data and based on that predict energy production for 1h ahead given the energy production from the previous 24h. The algorithm used in the project is LSTM. The project also examines how much data back in time the model needs to be trained on to give a good indication of solar energy production. The results show that the best model derives from training models with 1 year of historic data and with specific network settings. Furthermore, models provide an MAE of 0.998kWh and an RMSE of 1.765kWh.

Recently several European countries have announced massive increases in their military budgets. Innovation initiatives organized by NATO and the European Defence Fund will also be conducted over the coming decade. Studying how these resources can be deployed efficiently is crucial if these initiatives are to provide maximum benefits to European defense capabilities and the civilian sector through spillover-effects. This thesis explores what factors characterize high-performing startups in defense in order to give defense innovation initiatives an indication on how to spend their resources. The results should also be useful for aspiring entrepreneurs in defense who wish to increase their chances of creating a high-performing startup in the sector. The factors that are studied are company industry, company patents and governmental funding. These are examined in a quantitative study, followed by illustrations for the most successful companies in the dataset. It is found that the company industry for the most successful companies is surprisingly similar, with a heavy focus on software over hardware. The illustrations also highlight the need for governmental contracts in the scale-up stage of companies. / Flera europeiska länder har nyligen meddelat att de kommer att göra massiva ökningar i sina försvarsbudgetar. NATO och europeiska försvarsfonden kommer även att organisera innovationsinitiativ under det kommande årtiondet. Det är viktigt att studera hur dessa resurser kan distribueras effektivt så att dessa initiativ kan göra maximal nytta för europeisk försvarsförmåga och för den civila sektorn genom spill-over effekter. Denna avhandling undersöker vilka faktorer som karaktäriserar högpresterande startups inom försvarsindustrin för att ge innovationsinitiativ en indikering på hur de bör distribuera sina resurser. Resultaten från denna avhandling borde även vara användbara för aspirerande entreprenörer inom försvarsindustrin som vill öka sina chanser att skapa en högpresterande startup. De faktorer som studeras är industri, patent och statlig finansiering. Dessa faktorer undersöks i en kvantitativ studie samt i två illustreringar över de två mest framgångsrika företagen i den data som står till grund för denna avhandling. Det visar sig att de två mest framgångsrika företagen i datan har en väldigt liknande industrifokus, med ett starkt fokus på mjukvara över hårdvara. Illustrationerna påvisar också ett behov för statliga kontrakt i uppskalningsfasen för företag inom försvarsindustrin.

Cardio-respiratory dysfunction, sepsis and necrotizing enterocolitis are responsible for a large numberof deaths in the neonatal population. Despite ecient monitoring and screening in Intensive CareUnits, diagnosis prior to clinical symptoms remains a dicult task. Based on Heart Rate Monitoring,the state-of-the-art HeRO system indicates the risk for sepsis and has already proven its ability toreduce mortality in the neonatal ICU. Recent studies have shown that a particular respiratory behaviorknown as ABD-events, can be used as a physiomarker for sepsis and is therefore an early warningsign. Detecting ABD-events is currently done by simple thresholding techniques. Based on cardiorespiratorydata and hindsight from previous patients, we aim at improving the early warning systemby applying machine learning algorithms. Data with higher frequency than those used in the HeROsystem and biological samples are still to be collected, but still, using low frequency data, we managedto obtain a specicity (true positive) of 70% and a sensitivity (true negative) of 65% on manuallylabeled events. In this report, the theoretical framework is presented along with the practical issuesencountered during the project. / Varje år dör många nyfödda barn i hjärtproblem, sepsis och nekrotiserande enterokolit. Att ställadiagnos innan kliniska symptom är uppenbara är fortfarande mycket svårt, trots effektiv övervakningoch screening inom intensivvården. Med hjälp av kontinuerlig hjärtövervakning med hjälp HeROsystemetkan kan risken för sepsis beräknas. Förekomsten av särskilda förändringar i barnets andningsmönster (apné, bradykardi och desaturation - ABD) kan användas som en tidig fysiomarkörför sepsis och fungerar därför som en varningssignal. I nyligen presenterade studier har detta visatsminska dödligheten på neontalavdelningar. Dessa ABD-händelser har fram till nu upptäckts genomenkel tröskelnivåbedömning. Baserat på hjärt- och andningsövervakningsdata och kunskap om tidigarepatienter, vill vi förbättra detta system för tidiga varningssignaler genom att använda maskininlärningsalgoritmer. Analys av högfrekvensdata och biomarkörer kvarstår att göra, men ävenbaserat på lågfrekvensdata kunde vi uppnå en specificitet på 70% och en sensitivitet på 65%. Dennarapport sammanfattar den teoretiska bakgrunden till analysmetoden och diskuterar praktiska frågorsom identiferats under arbetets gång.