Background. Instagram as a social media platform is used by firms as both a com- munication, marketing and promotion tool. In analyses of firms on Twitter, several authors have found connections between positive changes in stock returns and posts on Twitter regarding the firm, both from and about the firm. The research on Twit- ter is clear on the power of external and internal usage of Twitter on firm’s stocks. This thesis extends the Twitter research to Instagram. By considering a new post made on Instagram by a firm as an event, inferential tests on whether or not the post had any significant effect on the stock value for that firm were established. Objectives. This thesis aims to relate stock value changes to the publishing dates of Instagram posts for firms in the Swedish stock market. Consequently, the hypothesis to falsify is that Instagram content publishing has no effect on stock values for firms in the Swedish stock market. Methods. Both a literature review and a synthetic control group methodology is utilised. The literature review builds the foundation for selection of Instagram pub- lishing events and some of the assumptions necessary for the data analysis. The synthetic control group method allows for inferential analysis of the data by con- structing a weighted non-correlated dataset for the group under purview. Results. For four of the thirteen firms chosen in this thesis, statistical significance was found by the means of placebo t-tests. Conclusions. Signalling theory, valuation theory and the underlying assumption of market efficiency contribute to the effect to which Instagram content publishing may have on stock prices after the publishing date. The effect is potentially relevant as an indicator for investors due to the rejection of this thesis’ null hypothesis for four of the thirteen firms. However, nine cases could not reject the null hypothesis, which indicates that the effect may be negligible. / Bakgrund. Instagram är ett socialt mediaverktyg som används av flera företag för att bedriva marknadsföring och kommunikation med sina kunder. När man analy- serat företag som är aktiva på en annan social media plattform, Twitter, har flera rapporter visat på ett samband mellan postiva ändringar av aktiepriset och pub- liseringar av information angående det specifika företaget på Twitter. Detta gällde både om företaget i fråga delgav sig av information eller om en annan användare gjorde det. Forskningen visar tydligt att Twitter har en påverkan på aktiepriset. Vår forskning bygger vidare på detta antagande med inriktning på Instagram. Om man ser ett nytt inlägg på Instagram av företaget analyserat som en händelse, kan vi med ett inferentiellt avgöra om inlägget hade någon signifikant effect på deras aktievärdet. Syfte. Denna rapport avser att se om det finns något samband mellan aktieprisets ändringar och publiseringar av information för ett företag på den svenska aktiemark- naden. Hypotesen som ska falsifieras är att om ett företag på den svenska aktiemark- naden lägger upp ett inlägg med relevant information på Instagram, har det ingen påverkan på deras aktiepris. Metod. I denna studie används både en litteraturgenomgång och syntetisk kontrollgrupps- metod. Litteraturgenomgången bygger på forskning som har med vilka information- styper som tidigare visat sig ha påverkan på aktiepriset och information som gör att antaganden kring dataanalysen kan göras. Den syntetiska kontrollgrupps-metoden tillåter oss att göra inferentiell analys av data genom att skapa en viktad, icke- korrelerad datastruktur för gruppen som blir analyserad. Resultat. Fyra av de 13 företagen som valdes för denna studie visade statistisk signifikans genom ett placebo t-test. Slutsatser. Signalteori, värderingsteori och det underliggande antagandet om mark- nadseffektivitet bidrar till effekten som informationsdelning via Instagram har på aktiepriset dagarna efter publiseringsdatumet. Effekten kan potentiellt vara relevant för investerare då vi kan förkasta nollhypotesen för fyra av de tretton företagen. Däremot kunde vi för nio av de tretton företagen inte förkasta nollhypotesen, vilket kan innebära att effekten är försumbar.

Starting an engine in low temperatures creates unnecessary wear on components due to the insufficient lubrication of cold engine oil. A cold engine produces more emissions and consumes more fuel. Not all cars are equipped with engine heaters and installing an aftermarket heater is both expensive and time consuming. The aim with this project is to develop a universal engine heater with the ability to heat engine oil efficiently. Installing the engine heater should not require any special tools or expertise. To create a universal engine heater the construction is flexible similar to an electric cable and the length can be modified. The lower part, in contact with the engine oil, contains a resistor with an outside cover of steel to efficiently transfer heat. The challenge is to create an engine heater that is efficient in heating the engine oil while being small enough to fit in most cars. The surface area of the heater plays a large role when it comes to transfer heat efficiently. To heat 6 liters of engine oil from - 20 ° to -6° C takes roughly 2 hours with conventional surface area. By doubling the area by using another design, the same temperature can be reached in about 30 minutes. / Att starta en motor i minusgrader sliter mycket på invändiga komponenter. Detta då motoroljan på grund av högre viskositet inte smörjer lika bra, vilket i sin tur leder till att oljan inte kan cirkulera i motorn. Dessutom släpper en kall motor ut större mängder föroreningar i luften och förbrukar mer bränsle. Alla bilar är inte utrustade med motorvärmare och att eftermontera är både kostsamt och tidskrävande. Målet med projektet är att ta fram en universell motorvärmare med kapacitet att värma upp motoroljan i en personbil på ett effektivt sätt. Motorvärmaren ska inte kräva några speciella verktyg för att monteras och den ska vara lika lätt att montera som den ordinarie oljestickan. Motorvärmaren är konstruerad av ett elastiskt material likt en elsladd för att vara universellt passande. Den nedre delen i kontakt med motoroljan omsluter en resistor och har ett yttre hölje av stål för att ha god värmeöverföringsförmåga. Utmaningen är att konstruera en sticka som kan värma motoroljan tillräckligt snabbt och som är tunn nog att föras in i oljetråget utan hinder. En stor påverkande faktor gällande motorvärmarens prestanda är kontaktytan mellan motorvärmare och motorolja. Att värma upp 6 liter motorolja från -20 till -6° C tar drygt två timmar med oljestickans geometri. Med dubbla kontaktytan kan samma temperatur nås på drygt 30 minuter och denna areaändring kan ske genom att ändra motorvärmarens design.

Den här studien går ut på att undersöka vilka arbetssätt lärare använder sig av när det gäller undervisningen i läsutveckling i skolans tidigaste åldrar, samt varför de väljer just dessa. Studien bygger på kvalitativa intervjuer med fyra verksamma lärare i förskoleklass och årskurs 1. Resultatet av undersökningen är att lärarna blandar flera olika metoder, och arbetssätt, för att individanpassa sin undervisning och nå varje enskild elev. / This study aims to examine the working methods that teachers use in reading development in the early years education, as well as why they choose these methods. The study is based on qualitative interviews with four active teachers in preschool-class and first grade. The result of the study says that teachers mix different methods, and approaches, to individualize their teaching and reach each individual student at their level.

The aim of synthetic data generation is to provide data that is not real for cases where the use of real data is somehow limited. For example, when there is a need for larger volumes of data, when the data is sensitive to use, or simply when it is hard to get access to the real data. Traditional methods of synthetic data generation use techniques that do not intend to replicate important statistical properties of the original data. Properties such as the distribution, the patterns or the correlation between variables, are often omitted. Moreover, most of the existing tools and approaches require a great deal of user-defined rules and do not make use of advanced techniques like Machine Learning or Deep Learning. While Machine Learning is an innovative area of Artificial Intelligence and Computer Science that uses statistical techniques to give computers the ability to learn from data, Deep Learning is a closely related field based on learning data representations, which may serve useful for the task of synthetic data generation. This thesis focuses on one of the most interesting and promising innovations of the last years in the Machine Learning community: Generative Adversarial Networks. An approach for generating discrete, continuous or text synthetic data with Generative Adversarial Networks is proposed, tested, evaluated and compared with a baseline approach. The results prove the feasibility and show the advantages and disadvantages of using this framework. Despite its high demand for computational resources, a Generative Adversarial Networks framework is capable of generating quality synthetic data that preserves the statistical properties of a given dataset. / Syftet med syntetisk datagenerering är att tillhandahålla data som inte är verkliga i fall där användningen av reella data på något sätt är begränsad. Till exempel, när det finns behov av större datamängder, när data är känsliga för användning, eller helt enkelt när det är svårt att få tillgång till den verkliga data. Traditionella metoder för syntetiska datagenererande använder tekniker som inte avser att replikera viktiga statistiska egenskaper hos de ursprungliga data. Egenskaper som fördelningen, mönstren eller korrelationen mellan variabler utelämnas ofta. Dessutom kräver de flesta av de befintliga verktygen och metoderna en hel del användardefinierade regler och använder inte avancerade tekniker som Machine Learning eller Deep Learning. Machine Learning är ett innovativt område för artificiell intelligens och datavetenskap som använder statistiska tekniker för att ge datorer möjlighet att lära av data. Deep Learning ett närbesläktat fält baserat på inlärningsdatapresentationer, vilket kan vara användbart för att generera syntetisk data. Denna avhandling fokuserar på en av de mest intressanta och lovande innovationerna från de senaste åren i Machine Learning-samhället: Generative Adversarial Networks. Generative Adversarial Networks är ett tillvägagångssätt för att generera diskret, kontinuerlig eller textsyntetisk data som föreslås, testas, utvärderas och jämförs med en baslinjemetod. Resultaten visar genomförbarheten och visar fördelarna och nackdelarna med att använda denna metod. Trots dess stora efterfrågan på beräkningsresurser kan ett generativt adversarialnätverk skapa generell syntetisk data som bevarar de statistiska egenskaperna hos ett visst dataset.

Health monitoring devices, such as Fitbit, are gaining popularity both as wellness tools and as a source of information for healthcare decisions. Predicting such wellness goals accurately is critical for the users to make informed lifestyle choices. The core objective of this thesis is to design and implement such a system that takes energy consumption and privacy into account. This research is modelled as a time-series forecasting problem that makes use of Spiking Neural Networks (SNNs) due to their proven energy-saving capabilities. Thanks to their design that closely mimics natural neural networks (such as the brain), SNNs have the potential to significantly outperform classic Artificial Neural Networks in terms of energy consumption and robustness. In order to prove our hypotheses, a previous research by Sonia et al. [1] in the same domain and with the same dataset is used as our starting point, where a private forecasting system using Long short-term memory (LSTM) is designed and implemented. Their study also implements and evaluates a clustering federated learning approach, which fits well the highly distributed data. The results obtained in their research act as a baseline to compare our results in terms of accuracy, training time, model size and estimated energy consumed. Our experiments show that Spiking Neural Networks trades off accuracy (2.19x, 1.19x, 4.13x, 1.16x greater Root Mean Square Error (RMSE) for macronutrients, calories burned, resting heart rate, and active minutes respectively), to grant a smaller model (19% less parameters an 77% lighter in memory) and a 43% faster training. Our model is estimated to consume 3.36μJ per inference, which is much lighter than traditional Artificial Neural Networks (ANNs) [2]. The data recorded by health monitoring devices is vastly distributed in the real-world. Moreover, with such sensitive recorded information, there are many possible implications to consider. For these reasons, we apply the clustering federated learning implementation [1] to our use-case. However, it can be challenging to adopt such techniques since it can be difficult to learn from data sequences that are non-regular. We use a two-step streaming clustering approach to classify customers based on their eating and exercise habits. It has been shown that training different models for each group of users is useful, particularly in terms of training time; however this is strongly dependent on the cluster size. Our experiments conclude that there is a decrease in error and training time if the clusters contain enough data to train the models. Finally, this study addresses the issue of data privacy by using state of-the-art differential privacy. We apply e-differential privacy to both our baseline model (trained on the whole dataset) and our federated learning based approach. With a differential privacy of ∈= 0.1 our experiments report an increase in the measured average error (RMSE) of only 25%. Specifically, +23.13%, 25.71%, +29.87%, 21.57% for macronutrients (grams), calories burned (kCal), resting heart rate (beats per minute (bpm), and minutes (minutes) respectively. / Hälsoövervakningsenheter, som Fitbit, blir allt populärare både som friskvårdsverktyg och som informationskälla för vårdbeslut. Att förutsäga sådana välbefinnandemål korrekt är avgörande för att användarna ska kunna göra välgrundade livsstilsval. Kärnmålet med denna avhandling är att designa och implementera ett sådant system som tar hänsyn till energiförbrukning och integritet. Denna forskning är modellerad som ett tidsserieprognosproblem som använder sig av SNNs på grund av deras bevisade energibesparingsförmåga. Tack vare deras design som nära efterliknar naturliga neurala nätverk (som hjärnan) har SNNs potentialen att avsevärt överträffa klassiska artificiella neurala nätverk när det gäller energiförbrukning och robusthet. För att bevisa våra hypoteser har en tidigare forskning av Sonia et al. [1] i samma domän och med samma dataset används som utgångspunkt, där ett privat prognossystem som använder LSTM designas och implementeras. Deras studie implementerar och utvärderar också en klustringsstrategi för federerad inlärning, som passar väl in på den mycket distribuerade data. Resultaten som erhållits i deras forskning fungerar som en baslinje för att jämföra våra resultat vad gäller noggrannhet, träningstid, modellstorlek och uppskattad energiförbrukning. Våra experiment visar att Spiking Neural Networks byter ut precision (2,19x, 1,19x, 4,13x, 1,16x större RMSE för makronäringsämnen, förbrända kalorier, vilopuls respektive aktiva minuter), för att ge en mindre modell ( 19% mindre parametrar, 77% lättare i minnet) och 43% snabbare träning. Vår modell beräknas förbruka 3, 36μJ, vilket är mycket lättare än traditionella ANNs [2]. Data som registreras av hälsoövervakningsenheter är enormt spridda i den verkliga världen. Dessutom, med sådan känslig registrerad information finns det många möjliga konsekvenser att överväga. Av dessa skäl tillämpar vi klustringsimplementeringen för federerad inlärning [1] på vårt användningsfall. Det kan dock vara utmanande att använda sådana tekniker eftersom det kan vara svårt att lära sig av datasekvenser som är oregelbundna. Vi använder en tvåstegs streaming-klustringsmetod för att klassificera kunder baserat på deras mat- och träningsvanor. Det har visat sig att det är användbart att träna olika modeller för varje grupp av användare, särskilt när det gäller utbildningstid; detta är dock starkt beroende av klustrets storlek. Våra experiment drar slutsatsen att det finns en minskning av fel och träningstid om klustren innehåller tillräckligt med data för att träna modellerna. Slutligen tar denna studie upp frågan om datasekretess genom att använda den senaste differentiell integritet. Vi tillämpar e-differentiell integritet på både vår baslinjemodell (utbildad på hela datasetet) och vår federerade inlärningsbaserade metod. Med en differentiell integritet på ∈= 0.1 rapporterar våra experiment en ökning av det uppmätta medelfelet (RMSE) på endast 25%. Specifikt +23,13%, 25,71%, +29,87%, 21,57% för makronäringsämnen (gram), förbrända kalorier (kCal), vilopuls (bpm och minuter (minuter).

This study centres on learning to read and methods for teaching reading skills. The aim is to provide a survey of the concept reading skills and the methods developed on the basis of different theories and the methods preferred when teaching children in primary school and why. The study is based on interviews with eight teachers who are working on a daily basis teaching Swedish in preschool class or lower primary school. The result of my study is that the majority of teachers do not use a specific method, but rather combine several different methods, thus adapting instruction to each individual pupil.

The study is intended to identify the methods teachers use to develop students' reading skills, how they select methods and why. The thesis begins with learning theories and previous research on the topic and an explanation of the different literacy learning methods.  The study is a qualitative study and includes ten interviews with teachers working in four different counties. The interviews have been analysed and discussed with the basis in the study's aim and research questions. The result shows that all teachers choose to mix synthetic and analytical literacy learning methods. They do this to meet each individual student at his level in the processes of literacy learning. There is not one method that suits all students, but, there are methods that are suitable for everyone. According to the interviewed teachers, it is a big difference in the achievement levels in reading in grade one. Some students only recognise the letters in their own name, some students already know all the letters of the alphabet, some read short words, and some have begun to read “easy to read” chapter-books.  Their choices are made to get varied and interesting teaching and combining different methods and approaches to be able to capture all the students. The challenge is to get everyone to feel like they are a part of the community of reading and writing in the classroom and that everyone feels like a reader and a writer. All the teachers in the survey mean that the reading and writing education should be based on the students and have a content that interests them to be fruitful for the students. / Studien syftar till att kartlägga metoder verksamma lärare använder för att utveckla elevers läsförmåga, hur de väljer metoder och varför. Uppsatsen inleds med beskrivningar av lärandeteorier och tidigare forskning om ämnet samt en redogörelse av olika läsinlärningsmetoder. Undersökningen är en kvalitativ studie och omfattar tio intervjuer med verksamma lärare från fyra olika kommuner. Intervjuerna har analyserats och diskuterats utifrån studiens syfte och frågeställningar. Resultatet visar att samtliga lärare väljer att blanda syntetiska och analytiska läsinlärningsmetoder, detta gör de för att kunna möta varje enskild elev på dennes nivå i läsinlärningprocessen. Det finns inte en metod som passar alla elever däremot finns metoder som passar för varje individ. Enligt de intervjuade lärarna är det stor skillnad på kunskapsnivåerna i läsning i årskurs ett. En del elever känner bara igen bokstäverna i sitt eget namn, några elever kan alla bokstäver i alfabetet, andra läser korta ord och vissa har börjat att läsa lättlästa kapitelböcker när de börjar årskurs ett. Deras val är gjorda för att få en varierad och intressant undervisning och de kombinerar olika metoder och tillvägagångsätt för att kunna fånga upp alla elever. Utmaningen är att få alla att känna sig som en del av läs- och skrivgemenskapen i klassen och känna sig som läsare och skrivare. Alla lärare i undersökningen menar att läs- och skrivundervisningen ska utgå från eleverna och ha ett innehåll som intresserar dem för att den ska vara givande för eleverna.

Denna kunskapsöversikt undersöker det forskningsfält som rör musikintegrerad matematikundervisning. Syftet med översikten är att få en inblick i hur musiken påverkar elevernas matematikprestationer samt hur forskningen ser ut inom denna kombination. Därför är vår frågeställning: Vad kännetecknar forskningen om integrationen mellan matematik och musik? För att besvara denna fråga har vi utfört litteratursökningar för att finna studier och artiklar som tillsammans bildar en överblick. Med hjälp av den metod som Claes Nilholm beskriver i SMART (2016) har vi skapat en struktur för hur vi arbetat. Ur det material som vi fann under sökningarna har vi funnit mönster som talar för musikens positiva inverkan på matematikundervisning. Förmågan att uttrycka sina känslor i form av ord eller beröra andra med dem har alltid varit enbeundransvärd och sällsynt egenskap. Det här projektet handlar om att skapa en text generatorkapabel av att skriva text i stil med enastående män och kvinnor med den här egenskapen. Arbetet har genomförts genom att träna ett neuronnät med citat skrivna av märkvärdigamänniskor såsom Oscar Wilde, Mark Twain, Charles Dickens, etc. Nätverket samarbetar med två olika semantiska modeller: Word2Vec och One-Hot och alla tre är delarna som vår textgenerator består av. Med dessa genererade texterna gjordes en enkätudersökning för att samlaåsikter från studenter om kvaliteten på de genererade texterna för att på så vis utvärderalämpligheten hos de olika semantiska modellerna. Efter analysen av resultatet lärde vi oss att de flesta respondenter tyckte att texterna de läste var sammanhängande och roliga. Vi lärde oss också att Word2Vec, presterade signifikant bättre än One-hot. / The ability of expressing feelings in words or moving others with them has always been admired and rare feature. This project involves creating a text generator able to write text in the style of remarkable men and women with this ability, this gift. This has been done by training a neural network with quotes written by outstanding people such as Oscar Wilde, Mark Twain, Charles Dickens, et alt. This neural network cooperate with two different semantic models: Word2Vec and One-Hot and the three of them compound our text generator. With the text generated we carried out a survey in order to collect the opinion of students about the quality of the text generated by our generator. Upon examination of the result, we proudly learned that most of the respondents thought the texts were coherent and fun to read, we also learned that the former semantic model performed, not by a factor of magnitude, better than the latter.

Variable renewable energy sources are today increasingly integrated in the power system as a step towards the renewable society. The large-scale introduction of converter-based energy sources brings challenges in terms of reduced damping to the power system due to the reduced number of synchronous generators. This can be manifested as high rate-of-change-of-frequency and decreased grid stability. To forestall this reduced performance, it is suggested that the grid-following control of today’s converters are restructured to a grid-forming control, enabling the converter to behave closer to a synchronous machine.   This thesis compares grid-following and grid-forming control and seeks to further describe this grid-forming behavior by applying a grid-forming control method on an energy storage enhanced STATCOM-system. A continuous time model and a linearized model based on state space representations are constructed in order to investigate the grid-forming behavior but also how the converter stability is affected by a restructure from grid-following to grid-forming control.   The results indicate that the investigated grid-forming control method displays a behavior similar to synchronous machines and incorporates the ability to provide frequency response services and so called “synthetic inertia” to the grid.  The results also show that the stability of the converter (the ability to provide a bounded output when the system is perturbed) is ensured when the control method is restructured from grid-following to grid-forming and that the investigated grid-forming method is stable also in weak grid situations.

Distinktionen mellan analytiska och syntetiska sanningar spelade en viktig för filosofer som Leibniz, Hume och Kant. Men det var först med Frege som begreppet analyticitet fick en definition som inte bara tycks vara explicit utan som också hade en bred tillämpbarhet. Den förmodade distinktionen analytiskt/syntetiskt har dock senare ifrågasatts av filosofer såsom Quine. Denna uppsats avser i första hand att visa att Quines argument, i artikeln Two Dogmas of Empiricism (1951), mot analyticitet inte är tillräckligt starka för att bevisa att den fregeanska definitionen av analyticitet är cirkulär. I detta sammanhang har uppsatsen även undersökt kronologiskt viktiga epoker där Quine engagerar sig i den analytiska/syntetiska distinktionen i sitt arbete före liksom efter 1951. Den mer moderna traditionen, som delar in analyticitet i två kategorier – metafysisk och epistemisk analyticitet – går tillbaka till Boghossian (1996). Boghossian försvarar en uppdaterad version av Wittgensteins och Carnaps åsikt att analyticitet skall anges i termer av implicita definitioner I motsats till Boghossian anser Williamson att det inte finns något sätt att uppfatta analytiska sanningar som gör analyticitet användbar inom filosofin. Inom ramen för uppsatsens syfte kommer även dessa ’post-quineanska’ försök att beskriva analyticitet och den analytiska förklaringen av a priori att redovisas och kritiskt granskas. / The distinction between analytic and synthetic truths has played an important role for philosophers such as Leibniz, Hume and Kant. However, it was Frege who gave the notion of analyticity a definition that not only appears to be unambiguous but is also widely applicable. However, the supposed analytic/synthetic distinction was later challenged by philosophers such as Quine. This thesis aims primarily to show that Quine’s arguments, in the article Two Dogmas of Empiricism (1951), against analyticity are not sufficient to show that Frege’s definition of analyticity is circular. In this context, the paper has also examined chronologically important periods where Quine is engaged in the analytic/synthetic distinction before and after 1951. The more modern tradition, which separates analyticity into two broad categories – metaphysical and epistemic analyticity – goes back to Boghossian (1996). Boghossian defends an updated version of Wittgenstein’s and Carnap’s view that analyticity should be stated in terms of implicit definitions. In contrast to Boghossian, Williamson believes that there is no way of understanding analytic truths that makes analyticity useful in philosophy. Within the scope of this thesis, these ‘post-Quinean’ attempts to describe analyticity and the analytic explanation of a priori will also be presented and critically reviewed.