Åsiktsdynamik handlar om hur åsikter hos personer, även kallade agenter, i en grupp förändras med tiden. Syftet med arbetet var att ta reda på om det är möjligt att använda maskininlärning med artificiella neuronnät för att utifrån ett givet initialtillstånd beräkna hur åsiktsdynamiken kommer se ut för agenterna i gruppen. Tusentals initialtillstånd för agenternas åsikter slumpades fram och dynamiken beräknades enligt en modell från R. Hegselmann och U. Krause. De beräknade lösningarna användes sedan som data för träning av artificiella neuronnät. När de tränade neuronnäten sedan användes på helt nya initialtillstånd kunde dessa, med varierande resultat beroende på metod och antal agenter, återskapa åsiktsdynamiken och ge lösningar som låg nära de rätta lösningarna. Antalet agenter som undersöktes var mellan två och tio. Bäst resultat blev det när grupper med två agenter undersöktes. Ju fler agenter som fanns i gruppen desto större blev felen i lösningarna med maskininlärning, men lösningarna hade ändå tillräckligt små fel för att de kan anses ha lyckats med att återskapa åsiktsdynamiken.

Opinion dynamics is about how opinions of people, also called agents, in a group changes in time. The aim of this report was to find out if it is possible to use machine learning with artificial neural networks to, from a given initial condition, compute the opinion dynamics for the agents in the group. Thousands of random initial conditions were generated and the dynamics were calculated using a model from R. Hegselmann and U. Krause. The solutions were then used as data to train artificial neural networks. When the trained neural networks were used on new initial conditions it was found that these could, with varying results depending on the method and number of agents, recreate the opinion dynamics and give answers that were close to the real solutions. The number of agents used were between two and ten. The best results were obtained when groups with two agents were examined. When the number of agents increased the errors in the solutions with machine learning also increased, but the errors were still small enough so that the solutions can be considered as good recreations of the opinion dynamics.