We address ECG data classification, using methods from explainable artificial intelligence (XAI). In particular, we focus on the extended performance of the ST-CNN-5 model compared to established models. The model showcases slight improvement in accuracy suggesting the potential of this new model to provide more reliable predictions compared to other models. However, lower values of the specificity and area-under-curve metrics highlight the need to thoroughly evaluate the strengths and weaknesses of the extended model compared to other models. For the interpretability analysis, we use Shapley Additive Explanations (SHAP), Gradient-weighted Class Activation Mapping (GradCAM), and Local Interpretable Model-agnostic Explanations (LIME) methods. In particular, we show that the new model exhibits improved explainability in its GradCAM explanations compared to the former model. SHAP effectively highlights crucial ECG features, better than GradCAM and LIME. The latter methods exhibit inferior performance, particularly in capturing nuanced patterns associated with certain cardiac conditions. By using distinctive methods in the interpretability analysis, we provide a systematic discussion about which ECG features are better - or worse - uncovered by each method.

Market basket analysis identifies item patterns in data, commonly used in retail to understand customer shopping habits and inform business decisions. Challenges arise with large, high-dimensional datasets. We propose a framework for market basket analysis using dimension reduction and clustering on data from a major Norwegian grocery retailer. This reduces complexity, allowing us to visualize and group data using clustering. The aim is to group similar transactions for association rule mining on a smaller subset. Our research goal is to develop a mobile application for customer grouping and pattern analysis. We apply K-means for grouping and Apriori for rule mining. We evaluate multiple dimension reduction techniques and cluster validation methods. This proved challenging due to dataset intricacies. Results favour t-SNE for dimension reduction, as it effectively separates transactions. Apriori yields many trivial rules, but 'Vegetables/potatoes' emerges as significant. A business case is needed for actionable rules. A better product hierarchy for detailed cluster analysis is also beneficial. Future work should explore improved dimension reduction and clustering assessment methods. The full code can be downloaded from: https://github.com/YousIA/ConsumerAnalytics.

While it is well known that the Weibull distribution is a good model for wind-speed measurements and can be explained through simple statistical arguments, how such a model holds for shorter time periods is still an open question. In this paper, we present a systematic investigation of the accuracy of the Weibull distribution to wind-speed measurements, in comparison with other possible “cousin” distributions. In particular, we show that the Gaussian distribution enables one to predict wind-speed histograms with higher accuracy than the Weibull distribution. Two other good candidates are the Nakagami and the Rice distributions, which can be interpreted as particular cases of the Weibull distribution for particular choices of the shape and scale parameters. These findings hold not only when predicting next-point values of the wind speed but also when predicting the wind energy values. Finally, we discuss such findings in the context of wind power forecasting and monitoring for power-grid assessment.