TinyML är ett snabb växande tvärvetenskapligt område i maskininlärning. Den fokuserar på att möjliggöra maskininlärnings algoritmer på inbyggda enheter (mikrokontroller) som arbetar vid lågt effektområde. Syftet med denna studie är att analysera hur bra TinyML kan är lösa typiska ML-uppgifter. Studien hade fyra forskningsfrågor som svarades genom att undersöka olika litteraturstudier och implementera testmodell både på laptop och på inbyggda enheter (Arduino nano 33). Implementationen började med att skapa maskininlärningsmodell i form av sinusfunktion genom att skapa ett 3- lagers, fullt anslutet neuralt nätverk som kan förutsäga sinusfunktionens utdata, på detta sätt används modellen som en regressionsanalys. Idéen är att träna modellen som accepterar värden mellan 0 och 2π och sedan matar ut ett värde mellan -1 och 1. Därefter konverteras modellen till en Tensorflow Lite för att kunna distribuera den på Arduino nano 33. Resultatet visade att TinyML är bra lösning för att lösa ML-uppgifter eftersom det lyckades överföra ML-algoritmen till mikrokontrollen Arduino nano 33. TinyML kunde hantera och bearbeta data utan behov till internetanslutning vilket gav möjlighet för utvecklare att programmera på ett effektivt och lämpligt sätt. TinyML verkar ha en ljus framtid och många vetenskapliga studier påpekar att maskininlärningens största fotavtryck i framtiden kan vara genom TinyML. / TinyML is a rapidly growing interdisciplinary field in machine learning. They focus on enabling machine learning algorithms on built-in devices (microcontrollers) that work at low power ranges. The purpose of this study is to analyze how well Tiny-ML can solve typical ML tasks. The study had four research questions that were answered by examining different literature studies and implementing test model both on laptop and on built-in devices (Arduino nano 33). The implementation began with creating a machine learning model in the form of a sine function by creating a 3-layer, fully connected neural network that can predict the output of the sine function, in this way the model is used as a regression analysis. The idea is to train the model that accepts values between 0 and 2π and then outputs a value between -1 and 1. Then the model is converted to a Tensorflow Lite to be able to distribute it on the Arduino nano 33. The results showed that TinyML is a good solution for solving ML data, as they managed to transfer the ML algorithm to the microcontroller Arduino nano 33. They could handle and process data without the need for an Internet connection, which allowed developers to program, anywhere and anytime any. TinyML seems to have a bright future and many scientific studies point out that the biggest footprint of machine learning in the future may be through TinyML.

Solcellspaneler har fått ökad uppmärksamhet som en betydande källa till förnybar energi på grund av den ökande medvetenheten om klimatförändringar och behovet av hållbara energilösningar. I Sverige har detta lett till en kraftig ökning av solcellsanläggningar. I och med ökningen av solcellspaneler i urbana miljöer, har behovet av att kartlägga och inventera dessa anläggningar växt. Framsteg inom artificiell intelligens (AI) och bildanalys har öppnat möjligheter för automatiserade metoder som effektivt kan identifiera och segmentera solcellspaneler. Syftet med detta arbete är att utforska potentialen hos traditionella AI-modeller, som Support Vector Machines (SVM) och Random Forest (RF), samt faltningsnätverk av typen U-net, för att identifiera och segmentera solcellspaneler i svenska flygfotodata. Vidare undersöks i arbetet hur dessa modeller reagerar på reducerad datamängd samt vad för sorts features som höjer de traditionella modellernas prestanda i syfte att inventera solcellspaneler. Under arbetet skapas ett dataset om 2268, 1152 RGBI-data, där solcellspaneler utgör 22,8 procent av pixlarna. Data är hämtad från Lantmäteriet och har en spatial upplösning på 0.16m/pixel. Tre modeller implementeras och jämförs under olika förhållanden. Flertalet features utvunna från datasetet presenteras och förändringar av prestanda vid träning med dessa features mäts. För en utvärdering av modellernas precision tränas de först på 70% av det totala datasetet och utvärderas på de resterande 30%. En andra utvärdering utförs med reducerad datamängd där 35% av den totala datamängden används för träning och 30% för utvärdering. Prestandamätningar utförs på samma dataset för alla modeller där traditionella modeller tränas på RGB, RGBI, RGBI+features. U-net-modellen tränas på RGB-data. Resultaten visar att U-net-modellen presterar bäst i syfte att segmentera solcellspaneler med en F1-score på 0.91 och MCC på 0.89. Näst bäst är RF med en F1-score på 0.81 samt MCC på 0.76. Vid halvering av mängd träningsdata observeras störst negativ förändring av prestation på U-net-modellen, medan de traditionella modellerna syns påverkas mindre. Rätt urval av features observeras markant höja prestationen hos de traditionella modellerna. Sammanfattningsvis påvisar resultaten att neurala nätverk presterar bättre än traditionella modeller vid inventering av svenska solcellspaneler och betonar samtidigt vikten av rätt feature selection hos traditionella maskininlärningsmodeller. / Solar panels have gained increased attention as a significant source of renewable energy due to the growing awareness of climate change and the need for sustainable energy solutions. In Sweden, this has led to a rise in solar installations. With the increase of solar panels in urban areas, the need for accurate mapping and inventory of these installations has grown. Advances in artificial intelligence (AI) and image analysis have opened possibilities for automated methods for high precision identification av segmentation of solar panels. These automated methods reduce time consumption, resource use and the risk of human error. The aim of this work is to explore the potential of traditional AI models such as Support Vector Machines (SVM) and Random Forest (RF), as well as convolutional neural networks with the U-net architecture, to identify and segment solar panels in Swedish aerial imagery. Furthermore, the study investigates how these models perform with reduced data quantities. The study also examines which types of features enhance the performance of traditional models for the purpose of inventorying solar panels. During the study, a dataset of 2268, 1152 RGBI data was created, where solar panels constitute 22.8 percent of the pixels. This data, sourced from Lantmäteriet, has a spatial resolution of 0.16m/pixel. Three models were implemented and compared under various conditions. Multiple features extracted from the dataset were presented and performance changes during training with these features were measured. For evaluation the models were first trained on 70% of the total dataset and evaluated on the remaining 30%. A second evaluation was conducted with reduced data, using 35% for training and 30% for evaluation. Performance measurements were carried out on the same dataset for all models, where the traditional models were trained on RGB, RGBI, and RGBI + features, while the U-net model was trained on RGB data. In evaluation the U-net model achieved the highest performance in solar panel segmentation with an F1-score of 0.91 and an MCC of 0.89, followed by RF with an F1-score of 0.81 and an MCC of 0.76. Halving the training data resulted in a bigger impact on U-net's performance than on the traditional models. Optimal feature selection substantially improved traditional models, doubling SVM's F1-score when trained with additional features. In summary, the results indicate that neural networks perform better than traditional models in inventorying Swedish solar panels and emphasize the importance of correct feature selection in traditional machine learning models.

Den artificiella intelligensen i spel brukar ofta använda sig utav regelbaserade tekniker för dess beteende. Detta har gjort att de artificiella agenterna blivit förutsägbara, vilket är väldigt tydligt för sportspel. Det här arbetet har utvärderat ifall inlärningstekniken Q-learning är bättre på att spela fotboll än en regelbaserade tekniken tillståndsmaskin. För att utvärdera detta har en förenklad fotbollssimulering skapats. Där de båda lagen har använts sig av varsin teknik. De båda lagen har sedan spelat 100 matcher mot varandra för att se vilket lag/teknik som är bäst. Statistik ifrån matcherna har använts som undersökningsresultat. Resultatet visar att Q-learning är en bättre teknik då den vinner flest match och skapar flest chanser under matcherna. Diskussionen efteråt handlar om hur användbart Q-learning är i ett spelsammanhang.

Denna rapport behandlar projektarbetet som utfördes av fem studenter inom datateknik och mjukvaruteknik vid Linköpings Universitet. Projektarbetet utfördes som en del av kursen TDDD96 Kandidatprojekt i mjukvaruutveckling under vårterminen 2019. Syftet med rapporten är att utvärdera arbetsgången för framtagningen av en produkt. Projektet behandlar implementering av bildanalys för mobila Android-enheter och har gjorts på uppdrag av Image Systems Nordic AB. Applikationens ändamål var att genom kameran på en mobiltelefon kunna spåra objekt och analysera dess positioner. Resultatet av projektarbetet är applikationen TrackApp som genom maskininlärning kunde spåra objekt i realtid och på video. Utöver produkten bearbetar rapporten hur projektgruppen arbetade samt individuella fördjupningsområden gruppmedlemmarna studerat.

This thesis considers the problem of churn within the electricity distribution sector. More specifically, this study evaluates how supervised machine learning can be used by a Swedish electricity distributor in order to identify customer churn. The data was by provided by the electricity distributor and covered personal, geographical and contract specific information regarding the company’s customers. The provided data was complemented with external data covering the customers’ financial positions. Based on this information the possibility to predict customer churn over a three-month period with a gradient boosted decision tree was evaluated. The results from the proposed models suggests that the possibility to identify customer churn is rather poor and could not be used in a practice. This is believed to be a result of unbalanced class distributions and that the data provided simply is not informative enough to accurately predict customer churn. If more information about the customers is collected, with predictive analyses in mind, the performance of the model is likely to increase.

Denna rapport behandlar det kandidatarbete som har utförts av sju studenter från civilin-genjörsprogrammen datateknik och mjukvaruteknik på Tekniska högskolan vid Linköpingsuniversitet. Projektets mål var att ta fram ett system som via maskininlärning automatisktskapade matchningar mellan företagets interna basprodukter och produkter från diverse le-verantörer. Beställningen av systemet gjordes av Byggvarulistan i Sverige AB. Det utvecklade systemet ska lösa problemet företaget hade med att behöva göra alla match-ningar manuellt. Systemet innehåller en maskininlärningsdel som utför matchningarna ochett administrationsgränssnitt för att korrigera och acceptera dessa matchningar. Utvecklingenav systemet har behövts anpassas till de rådande förutsättningarna med visst brus i kundensdatabas. Graden av nytta som kunden kommer utvinna från systemet beror därför delvispå hur kvaliteten på databasens innehåll kan förbättras för att ge bättre förutsättningar tillmatchningssystemet. Rapporten beskriver hur utvecklingen av systemet har skett samt vad det slutgiltiga systemetblev. Detta gjordes utifrån en analys av de använda utvecklingsprocesserna och det slutgil-tiga systemet i ett bredare sammanhang. Det finns även sju individuella bidrag från varderaprojektmedlem där denne utvärderar ett arbetsmetod, algoritm, roll eller liknande relaterattill projektet.

Den här rapporten beskriver arbetet kring kandidatprojektet RaVe som utvecklats åt Magnus Bång vid Institutionen för Datavetenskap vid Linköpings universitet. Projektet har pågått under våren 2018 av en grupp om sju studenter som en del av kursen TDDD96 - Kandidatprojekt i programvaruutveckling. RaVe är en prototyp av ett patientövervakningssystem för sjukvården som med hjälp av kameror kan mäta hudtemperatur, hudfärg och andningsfrekvens. Systemet är dessutom uppbyggt för att enkelt kunna utökas med ytterligare funktionalitet. Rapporten beskriver även de verktyg och den hårdvara som använts under projektets gång. I samband med utvecklingsarbetet har arbetsmetodiker testats och utvärderats samtidigt som systemets etiska aspekter studerats.

<p>VT2020</p>

Today the quality control of inserts at Sandvik is done manually by looking at their crosssections through a microscope. The purpose of this project was to automate the quality control of inserts by exploring machine Learning technique to automatically detect structural faults in microscopic images of the insert. To detect these faults an image processing program was first created to extractevery possible fault feature, and then a convolutional neural network (CNN) wasimplemented and applied to the verification of the faults. The error rate (ER) ofextracting the correct faults in the Image Processing was 11% and from thesepossible faults extracted the CNN could then with a 4% ER identify the actualfaults. The dataset was limited in size and had a lack of systematic consistency inhow the images were taken. As a consequence, the model could not be trainedeffectively and therefore, the system did not perform adequate enough for directimplementation. However, the system shows great potential in automating thequality control, considering that the dataset can be improved by standardizing the way for taking the images and the amount of data can be increased with the time.

By using machine learning to monitor and find deviations in log data makes it easier for developers and can prevent a workflow from stopping. The goal of this project is to investigate if it is possible to find anomalies in log data using reinforcement learning. An anomaly detection model with reinforcement learning is compared to a machine learning method traditionally used for anomaly detection. The results show that reinforcement learning has an opportunity for a better or similar result as the traditional machine learning method.