När det kommer till att förutse finansiella värden med maskininlärning måste man ha i åtanke att resultatet endast är baserat på de tidigare datapunkterna. Vad som faktiskt händer med framtida finansiella värden är något som påverkas av en mängd olika faktorer. De har bland annat att göra med politiska händelser, världskriser men även obetydligare saker. Till exempel har världens ledare väldigt stor påverkan på världens ekonomi. Ett simpelt meddelande på en social medieplattform skulle kunna vända upp och ned på bland annat Sveriges biståndsutgifter men även många andra finansiella marknader.
Skulle man på samma vis förutspå till exempel börsvärden finns det risk att man stirrar sig blind på maskininlärningens resultat och gör impulsiva investeringar. Detta kan sluta i att det faktiska framtida värdet inte alls faller samman med det förutspådda värdet, vilket resulterar i en förlust av de pengar man investerat i aktien.
En annan synvinkel är att maskininlärningen kan skapar falska förhoppningar eller förväntningar för människor i det svenska samhället över hur biståndet kommer att se ut. Det kan påverka människors syn på biståndstagarna på ett både positivt och negativt vis. Därför måste man alltid ha i åtanke att det endast är en
estimering över hur biståndet kommer att se ut, och inte exakt hur det kommer att se ut.
Källförteckning
[1] Scikit-learn, “Choosing the right estimator”
https://scikit-learn.org/stable/tutorial/machine_learning_map/
Hämtad 2019-05-05
[2] T. Abeysinghe, A. K. C. Tsui, U. Balasooriya, “Small-Sample Forecasting Regression or Arima models?”, Researchgate Journal of quantitative economics: journal of the Indian Econometric Society, 2003
[3] SIDA - Openaid, “Sweden’s aid to the world”
https://openaid.se/aid/2018/
Hämtad 2019-04-01 [4] Python, “About”
https://www.python.org/about/
Hämtad 2019-05-16
[5] M. Imdad Ullah, “Time Series Analysis and forecasting”
http://itfeature.com/time-series-analysis-and-forecasting/time-series-analysis-forecasting
Hämtad 2019-05-16
[6] S. Angra, S. Ahuja, “Machine learning and its applications: A review”, IEEE 2017 International Conference on Big Data Analytics and
Computational Intelligence (ICBDAC)
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8070809 Hämtad 2019-04-01
[7] J. Brownlee “What Is Time Series Forecasting?”
https://machinelearningmastery.com/time-series-forecasting/
Hämtad 2019-04-06
[8] Datarobot, “Supervised Machine Learning”
https://www.datarobot.com/wiki/supervised-machine-learning/ Hämtad 2019-05-11
[9] Datarobot, “Unsupervised Machine Learning”
https://www.datarobot.com/wiki/unsupervised-machine-learning/
[10] D. Nguyen, “Predict Stock Price with Support Vector Regression”
https://itnext.io/learning-data-science-predict-stock-price-with-support-vector-regression-svr-2c4fdc36662
Hämtad 2019-05-28 [11] NumPy, “About NumPy”
https://www.numpy.org/
Hämtad 2019-05-28 [12] Scikit-learn, “History”
https://scikit-learn.org/stable/about.html#history
Hämtad 2019-05-12
[13] Code Academy, “What is Scikit-learn?”
https://www.codecademy.com/articles/scikit-learn
Hämtad 2019-05-15 [14] Scikit-learn, “Regression”
https://scikit-learn.org/stable/modules/svm.html#svm-regression
Hämtad 2019-05-12
[15] Statsmodels, “Statsmodels’s Documentation”
https://www.statsmodels.org/stable/index.html
Hämtad 2019-05-12
[16] Pandas PyData, “Python Data Analysis Library”
https://pandas.pydata.org/
Hämtad 2019-05-28
[17] Kernelsvm, “Support Vector Machine Regression”
http://kernelsvm.tripod.com/
Hämtad 2019-04-14
[18] R. Nau, Duke University, “Stationarity and Differencing”
https://people.duke.edu/~rnau/411diff.htm
Hämtad 2019-05-06
[19] J. Brownlee, “A Gentle Introduction to the Box-Jenkins Method for Time Series Forecasting”
https://machinelearningmastery.com/gentle-introduction-box-jenkins-method-time-series-forecasting/
Hämtad 2019-05-06
[20] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, “Time Series Analysis, Fourth Edition”
https://onlinelibrary.wiley.com/doi/book/10.1002/9781118619193
[21] NCSS.COM, “The Box-Jenkins Method”
https://ncss-wpengine.netdna-ssl.com/wp-content/themes/ncss/pdf/Procedures/NCSS/The_Box-Jenkins_Method.pdf
Hämtad 2019-05-08
[22] Flask RESTful, “User’s Guide”
https://flask-restful.readthedocs.io/en/latest/
Hämtad 2019-05-29
[23] Vagrant, “Introduction to Vagrant”
https://www.vagrantup.com/intro/index.html
Hämtad 2019-05-29
[24] N. Cerminara, “Scotch Box”
https://box.scotch.io/
Hämtad 2019-05-09 [25] M. Bostock, “D3.js”
https://d3js.org/
Hämtad 2019-05-25 [26] Gantt.com “Gantt chart”
https://www.gantt.com/
Hämtad 2019-05-21
[27] Tutorialspoint, “Training Data and Test Data”
https://www.tutorialspoint.com/machine_learning_with_python/machine_ learning_with_python_training_test_data.htm
Hämtad 2019-05-13
[28] J. Stoltzfus, Techopedia, “Why is python so popular in machine learning”
https://www.techopedia.com/why-is-python-so-popular-in-machine-learning/7/32881
Hämtad 2019-05-12
[29] S. Dhar, V. Cherkassky, “Universum Learning for SVM Regression” Sida 8. https://arxiv.org/pdf/1605.08497.pdf
Hämtad 2019-05-13
[30] K. Grace-Martin, Theanalysisfactor, “Assessing the fit of Regression Models”
https://www.theanalysisfactor.com/assessing-the-fit-of-regression-models/
[31] Wikipedia, “Mean Squared Error”
https://en.wikipedia.org/wiki/Mean_squared_error
Hämtad 2019-05-29
[32] Hatrillabs, “How to calculate the root mean square error”
https://www.hatarilabs.com/ih-en/how-to-calculate-the-root-mean-square-error-rmse-of-an-interpolated-ph-raster
Hämtad 2019-05-29
[33] edureka!, “Python NumPy tutorial”
https://www.youtube.com/watch?v=8JfDAm9y_7s
Hämtad 2019-05-19
[34] Agile Alliance, “Extreme Programming”
https://www.agilealliance.org/glossary/xp/
Hämtad 2019-05-29
[35] G. Forman, I. Cohen “Learning from Little, Comparison of Classifiers Given Little Training”, Proceedings of the 8th European Conference on Principles and Practice of Knowledge Discovery in Databases. Lecture Notes in Computer Science 2004
Hämtad 2019-06-04
[36] R. Nau, Duke University, “ARIMA models for time series forecasting” https://people.duke.edu/~rnau/411arim.htm#pdq
Hämtad 2019-06-14
[37] P. Domingos, Department of Computer Science and Engineering. University of Washington, Seattle. ”A Few Useful Things to Know about Machine Learning”
https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf Hämtad 2019-06-16
[38] Mathworks, ”What is machine learning?”
https://se.mathworks.com/discovery/machine-learning.html Hämtad 2019-06-16