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.

I den här undersökningen redogör vi för tidigare forskning inom genusteori och olika aspekter som berör kvinnligt ledarskap på den svenska arbetsmarknaden. Syftet med uppsatsen är att utifrån ett genusperspektiv undersöka kvinnliga chefers upplevelse av möjligheter och begränsningar i sitt ledarskap inom en mansdominerad och en kvinnodominerad bransch. För att besvara syftet har följande frågeställningar ställts: “Hur upplever kvinnliga chefer sina möjligheter att leda inom organisationen i förhållande till manliga chefer?”, “Upplever kvinnliga chefer begränsningar i sitt ledarskap inom organisationen i förhållande till manliga chefer och i så fall på vilket sätt?”, “Hur stor inverkan anser de kvinnliga cheferna att organisationskulturen har på möjligheter och begränsningar i deras ledarskap?”, “Finns det några skillnader i de kvinnliga chefernas upplevelser inom den kvinnodominerade och den mansdominerade branschen?”. Vi kommer också att redogöra för maktstruktur, olika typer av könssegregering, resursfördelning, work-life balance, ledarskap, organisationskultur. Vi har riktat oss till kvinnliga chefer inom en mansdominerad och en kvinnodominerad bransch och därav byggt vår undersökning utifrån vårt urval. Vi har samlat in upplevelser, berättelser och tankar från åtta kvinnliga chefer. Fyra av kvinnorna arbetar inom industrin som är en mansdominerad bransch. Resterande fyra kvinnor arbetar inom vården som är en kvinnodominerad bransch. Båda organisationerna finns inom den privata sektorn. Materialet användes senare för att uppnå undersökningens syfte och besvara de fyra frågeställningarna. Slutsatser vi kan dra är att det finns skillnader i upplevelserna hos kvinnliga chefer inom industrin och vården. Vi kan också dra en slutsats om att gamla normer och strukturer delvis finns kvar men att utvecklingen verkar fortsätta i en riktning mot en jämställd arbetsplats.