Rapporten behandlar arbetet att med data mining-metoder finna ett samband i insamlad information. Data mining är ett begrepp för att tillämpa artificiell intelligens på en större datamängd. Syftet är i detta fall att hitta ett sätt att klassificera dieselmotorer.Den datamängd som används kommer från mätningar vid testkörning av dieselmotorer och garantikostnader som motorerna ger upphov till efter leveransen från fabriken. Målet är att finna ett samband mellan testvärdena och kostnaden i syfte att kunna identifiera kostnadsbenägna motorer redan vid testkörningen.En klusteranalys görs med två olika tekniker, K-means method och Kohonen-nät, som visar att det föreligger ett svagt men ändå förnimbart samband. En jämförelse mellan teknikernas resultat och användbarhet görs.Två tekniker används till att bygga klassificeringsverktyg som skall kunna sortera ut motorerna med höga kostnader.

Den klassiska approachen till navigering innefattar att agenten håller en intern representativ modell av omgivningen. Denna approach har emellertid många nackdelar, speciellt för dynamiska miljöer. En modernare approach är att förlita sig på den faktiska omgivningen istället för en modell av denna. Detta arbete presenterar en undersökning av navigeringsproblemet och hur väl det löses av agenter vars kontrollmekanismer utgörs artificiella neurala nätverk. Tillförlitligheten hos de två neurala arkitekturerna Extended sequential cascaded network och Self-organized recurrent network bestäms genom experiment.

Fokus i examensarbetet ligger i att kartlägga likheter och skillnader i inlärning hos människor/djur och artificiella system genom att jämföra inlärningshastigheter och avkligningstider. Förhoppningen är att detta i förlängningen bidrar till ökad förståelse för och därmed förbättrad interaktion mellan artificiell och mänsklig intelligens. Arbetet bygger i huvudsak på teorier av B.F. Skinner och hans bok The behavior of organisms som gavs ut 1938. Hans teorier och experiment jämfördes med dagens kunskap om artificiell intelligens och ett eget experiment med artificiella neurala nätverk genomfördes.

Na?r sociala na?tverk blir en del av va?r vardag o?ppnas uppenbara mo?jligheter till interaktion och na?tverkande pa? Internet med va?nner, kollegor och bekanta. Samtligt som sociala na?tverk erbjuder anva?ndare intressanta redskap, med ma?nga fo?rdelar, fo?r att kunna interagera utsa?tts samtidigt anva?ndares personliga integritet fo?r risker och hot. Denna uppsats underso?ker vad som oroar anva?ndare mest pa? Internet, va?rdet av en skyddad privat sfa?r utan insyn, varfo?r vi delar med oss av privat information pa? sociala na?tverk, vad kan man ta reda pa? utifra?n den information som finns tillga?nglig samt hur kan vi ba?ra oss a?t fo?r att inte fo?rlora va?r integritet pa? Internet.

Denna uppsats utreder ifall två kognitionsvetenskapliga perspektiv kan bidra till en effektivare informationslogistik.Med detta som bakgrund har ett tvärvetenskapligt förhållningssätt använts för att framhäva kontraster mellan de båda områdena. Teori har tagits från kognitionsvetenskapens nätverks- och artificiella intelligens perspektiv samtidigt som empirin utgörs av en fallbeskrivning av en Informationslogistisk applikation. Kontraster mellan de båda områdena har vägts mot varandra och teorier om på vilka sätt de två perspektiven skulle kunna berika den informationslogistiska applikationen har dragits. Dessutom har mer generella slutsatser dragits från nätverks- och det artificiella intelligens perspektiven för att besvara hur de på en generell nivå skulle kunna bidra med kunskaper till andra informationslogistiska applikationer.Resultatet i uppsatsen visar att det med ett tvärvetenskapligt förhållningssätt går att importera kunskaper från det kognitionsvetenskapliga hållet till informationslogistiken..

Olika modeller har genom aren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät. Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som gerbra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronn at av typen feedforwardutvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar.

Den forskningsgrupp som vid Högskolan i Skövde bedriver forskning om neurala nätverk, har nyligen köpt in en ny beräkningsmaskin, dedikerad för simuleringar av dessa neurala nätverk. Maskinen är en Sun Enterprise 4000, en MIMD-maskin med 6 st UltraSparc CPUer.Det finns behov av nya verktyg, som underlättar utveckling av ANN modeller till denna maskin, och som dessutom utnyttjar maskinens parallellitet. Detta verktyg ska uppvisa så god prestanda som möjligt. I denna rapport studeras förutsättningarna för ett sådant verktyg.Av de tänkbara metoder som kan användas för att parallellisera en nätverksimulator, är troligtvis epokbaserad parallellisering den som ger högst prestandaökning på en MIMD-maskin. Detta beror på att den inte kräver lika täta synkroniseringar som exempelvis en neuronbaserad parallellisering.En implementation av den epokbaserade metoden har skett, både med och utan parallelliserad summering av viktförändringar.

Detta arbete handlar om beteendeinriktad biometri och artificiella neuronnät av typen feedforward och hur de tillsammans kan användas för att verifiera användare. Det har av tidigare arbete bekräftats att det är möjligt att verifiera användare, men tidigare resultat har däremot inte utfört tester med avseende på avvikelser i data (beteende) och dess inverkan på verifieringen. Det är detta som utgör det huvudsakliga målet för detta arbete, nämligen att undersöka hur avvikelser i data påverkar verifiering och utifrån det också undersöka neuronnätens noggrannhet vid verifiering..

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.

I dagens samhälle finns det en mängd olika maskiner för att underlätta ardagssysslorna, såsom batteridrivna dammsugare och gräsklippare. Gräsklippardomänen används i detta projekt, för att undersöka vilken av monolitisk och hierarkisk kontrollarkitektur i en batteridriven gräsklippare som har bäst generaliseringsförmåga. Gräsklippardomänen används som testdomän därför att det finns en oändlig mängd olika yt-fromer. Med generalisering menas hur bra gräsklipparen klipper på ytor som den nyligen eller aldrig tränats på. Experiment har utförs på båda kontrollarkitekturerna i en simulator.

Olika modeller har genom åren tagits fram för att förenkla analys av aktiemarknaden. En relativt ny teknik är så kallade artificiella neuronnät.Dessa modeller har visat sig lovande när det gäller att förutsägaaktiekurser. Projektets syfte är att hitta artificiella neuronnät som ger bra förutsägelser av framtida aktiekurser. Under projektet har ett mjukvarusystemsom genererar och tränar artificiella neuronnät av typen feedforward utvecklats för att kunna testa neuronnät med olika indata, struktur och träningsinställningar. För att komma fram till vilka konfigurationer på neuronnäten som ger bra resultat har näten testats genom simulerad aktiehandel där köp- och säljbeslut grundats på neuronnätens förutsägelser.