Idag sker resursfördelning inom grundskolan i Lunds kommun av kommunfullmäktige i en skolpeng. Skolpengen består av en grundresurs, som är lika för alla skolor, samt en tilläggsresurs som baseras på olika socioekonomiska aspekter och är individuell för varje enskild skola. För att räkna fram tilläggsresursen använder Lunds kommun en resursfördelningsmodell. Kommunpolitikerna menar att de inte kan fastställa ifall modellen gör någon verklig skillnad utifrån de resultat som redovisas.Vi tillämpar åtta inlärningsalgoritmer på data från Lunds kommun och Skolverket för att ta reda på om resursfördelningen kan optimeras med hjälp av maskininlärning. Vi använder feature selection och standardisering för att förbehandla datan, och k-delad korsvalidering för att utvärdera prediktionerna.I våra experiment uppnår vi en lägsta felmarginal på 4,6 procentenheter. Algoritmen Ordinary Least Squares visar sig ha bäst prestanda initialt. När övriga algoritmers parametrar optimeras och datan förbehandlas uppnår sex av åtta algoritmer samma resultat på 4,6 procentenheter. / Today, resource allocation for elementary schools in Lund municipality is done by the town council. The money each school receives is divided into a base resource, which is the same for every school, and an additional resource, that is based on socio-economic aspects and is unique for each school. Lund municipality is using a resource allocation model to calculate the additional resource. The politicians claims that it’s hard to determine if the model is making any real difference from the results that have been presented.We apply eight different learning algorithms on data from Lund municipality and Skolverket to find out if the resource allocation can be optimized with machine learning. We use feature selection and standardization to preprocess the data, and k-fold cross validation to evaluate the predictions.In our experiments, we reach a margin of error percentage of 4.6. The Ordinary Least Squares algorithm has the best performance initially. When the parameters of the other algorithms are optimized and when the data is preprocessed, six out of eight algorithms reach the same result of 4.6.

Arbetet undersöker möjligheterna att prediktera sårbarheter för programvaruprodukter och vilken typ av sårbarhet som kommer hittas. Det är en indikation på hur utsatt ett system är med hur ofta en sårbarhet hittas. Maskininlärning är ett sätt att kunna utläsa mönster ur en stor mängd data och kan hjälpa till med prioritering. Med publikt tillgänglig data om sårbarheter har maskininlärning använts för att hitta en metod att göra prediktioner om antalet kommande sårbarheter. Fem olika prototyper har tagits fram och granskats om vilken prototyp som presterar bäst i testerna. En analys av resultaten visar att innehållet i datan borde vara jämnt fördelat mellan klasser i en sådan här typ av undersökning för att få ett bra och pålitligt resultat. Antalet publika sårbarheter som hittas och publiceras har ökat de senaste åren och ser ut att fortsätta i samma trend. En analys på hur marknaden och försäljningspriset ser ut för sårbarheter visar att den globala ekonomin ökar i stor takt och omsättningen för maskininlärning kommer att öka kraftigt då man inser dess fördelar inom fler områden. / The project explores the possibilities of predicting software product vulnerabilities and the type of vulnerability that will be found. It is an indication of how vulnerable a system is on how often a vulnerability is found. Machine learning is a way to read patterns from a large amount of data and can help with prioritization. With publicly available data on vulnerabilities, machine learning has been used to find a method of making predictions about the number of future vulnerabilities. prototypes have been developed and reviewed for which prototype that performs best. An analysis of the results shows that the content of the data should be evenly divided between classes in such type of survey to get a good and reliable result. The number of public vulnerabilities found and published has increased in recent years and appears to continue in the same trend. An analysis of how the market and selling price are looking for vulnerabilities shows that the global economy is growing rapidly and the turnover for machine learning will increase significantly as it recognizes its benefits to more areas.

Drought, being one the most complex natural hazards, has a significant impact on society. To mitigate the impact and risk, it is crucial to be able to forecast drought, which is a challenging task. Nowadays, with technology innovations, large amounts of remote sensing data is available on the cloud. Meanwhile,machine learning and data-driven techniques have proven to be reliable data processing methods in a number of fields. In this study, the author aims to predict agricultural drought in Sweden with machine learning (ML) models. Several ML models, including random forest, decision tree, linear regression, support vector machine, ARIMA, ANN, and CNN, are employed to find out the best performing model. Seven hypothesized factors are used and tested with RFE for features analysis. Three data arrangement methods are explored for the best possible way to arrange the dataset. In the result section, the author concludes that soil moisture is the most important feature, ARIMA and random forest models are the most reliable algorithms, and the temporal method is more suitable for short-term predicting. / Torka, som är en av de mest komplexa naturliga riskerna, har en betydande inverkan på samhället. För att mildra påverkan och risken är det avgörande att kunna förutse torka, vilket är en utmanande uppgift. Nuförtiden, med tekniska innovationer, finns stora mängder fjärranalysdata tillgänglig på molnet. Under tiden har maskininlärning och datadrivna tekniker visat sig vara tillförlitliga databehandlingsmetoder inom ett antal områden. I denna studie syftar författaren till att förutsäga jordbrukstorka i Sverige med modeller för maskininlärning (ML). Flera ML-modeller, inklusive slumpmässig skog, beslutsträd, linjär regression, stödvektormaskin, ARIMA, ANN och CNN, används för att ta reda på den bästa modellen. Sju hypotesfaktorer används och testas med RFE för funktionsanalys. Tre dataarrangemangsmetoder utforskas för bästa möjliga sätt att ordna datamängden. I resultatavsnittet drar författaren slutsatsen att markfuktighet är den viktigaste egenskapen, ARIMA och slumpmässiga skogsmodeller är de mest tillförlitliga algoritmerna, och den tidsmässiga metoden är mer lämpad för korttidsförutsägelse.

ECG is used clinically to detect a multitude of medical conditions, such as heart-problems like arrhythmias and heart failure, and to give a good general image of the function of the heart with a quick and harmless exam. In many clinical cases, normal ECG measurements cannot be taken, such as with fetuses where ECG signals from the mother’s own body hinder the measurement. This paper examines using machine learning algorithms to be able to simulate ECG graphs from ultrasound data alone. These algorithms are trained on ultrasound and ECG data acquired from the same patient simultaneously. The data used in the training of the algorithms is taken from samples acquired from 100 adult patients. The results found using this method to simulate an ECG indicate good possibilities for future usefulness, where machine learning to acquire simulated ECG can help facilitate clinicians in evaluating fetal heart function, as well as in other cases where ECG cannot be measured normally. / EKG används kliniskt för att upptäcka en mängd olika åkommor, så som hjärtsvikt och arytmier, men också för att ge en generell bild av hjärtfunktionen med en snabb och harmlös undersökning. I många kliniska fall kan dock inte normal EKG mätning ske, så som för foster då EKG signaler från moderns egna kropp hindrar EKG-mätningen. I detta papper undersöks användandet av maskininlärningsalgoritmer för att kunna simulera EKG grafer från enbart ultraljuds data. Dessa algoritmer är tränade på ultraljud och EKG data som simultant fåtts från samma undersökning av en patient. I detta papper har ultraljudsdatan som använts kommit från 100 mätningar från olika vuxna patienter. Resultaten funna från undersökningen av EKG simulerings metoden indikerar goda möjligheter för framtida användbarhet, då maskininlärningsalgoritmer för att simulera EKG kan underlätta när kliniker ska utvärdera hjärtfunktionen hos foster, eller i andra fall då EKG inte kan mätas normalt.

Background: One of the most growing areas of the Internet is E-commerce, which gave consumers a flexibility that was not previously available. The advantages of digital commerce are many, where both companies and consumers can use the technology's possibilities. However, a problem area in the E-commerce area is the number of products and the consumers' difficulties finding what is demanded. One of the techniques used to solve the problem is Artificial Intelligence. Within the artificial intelligence there is the sub-area Machine learning. The basis of the technology is to teach a computer to perform specific tasks better and better over time. To implement machine learning, artificial neural network used, which this study is based on. Problem statements: In this research, machine learning will be tested to see if the technology can be used to increase the conversion rate in E-commerce. The study will also be supplemented with knowledge about the opportunities and challenges that a future implementation could bring. The questions to be answered are: - How can product searches based on machine learning be used to increase the conversion rate in E-commerce? - What are the most common opportunities and challenges associated with machine learning in E-commerce? Purpose: The study's purpose is to make it easier for consumers when it comes to finding the right products and to increase the knowledge base of machine learning in E- commerce. Results: The study concluded that search engines based on Machine Learning can be used to increase the conversion rate. The opportunities that were found were improved business strategies, more personalized approaches and increased revenue. The challenges that were discovered were resource shortages, data quality and lack of project management. / Bakgrund: Ett av de mest växande områdena på internet är E-handel, som gett konsumenter en flexibilitet som inte tidigare fanns. Fördelarna med den digitala handeln är många, där både företag och konsumenter kan nyttja teknikens möjligheter. Ett problemområde inom E-handeln är dock mängden produkter och konsumenters svårigheter att finna det som efterfrågas. En av de tekniker som används för att lösa problematiken är Artificiell Intelligens. Ett delområde inom den artificiella intelligensen är maskininlärning. Grunden bakom tekniken handlar om att lära upp en dator för att utföra specifika uppgifter bättre och bättre över tid. En metod som används för att implementera maskininlärning är artificiella neurala nätverk som används i denna studie. Frågeställning: I denna forskning kommer maskininlärning att testas för att se om tekniken kan användas för att öka konverteringsgraden inom E-handel. Studien skall även kompletteras med kunskap kring de möjligheter och utmaningar som medföljer en framtida implementation. De frågor som därmed skall besvaras är: - Hur kan produktsök som baseras på maskininlärning användas för att öka konverterings- graden inom E-handel? - Vilka är de vanligast förekommande möjligheterna och utmaningarna med maskininlärning inom E-handel?’ Syfte: Studiens syfte är att underlätta för konsumenter när det kommer till att hitta rätt produkter samt för att öka kunskapsbanken gällande maskininlärning inom E-handeln. Resultat: Studien resulterade i att sökmotorer som baseras på maskininlärning kan användas för att öka konverteringsgraden. Studien pekade även på fördelar gällande förbättrade affärsstrategier, personligare bemötande och ökade intäkter. De utmaningar som upptäcktes var resursbrist, datakvalité samt bristande projektledning.