Prosjekt- og masteroppgaver for Jo Eidsvik

Kontaktinformasjon

Jeg arbeider med beregningsorientert statistikk og statistikk i rom-tid anvendelser.

Rom-tid statistikk kobler ulike data og modeller for å gjøre analyse og prediksjon i rom og tid. Satelittbilder eller seismiske data gir god romlig dekning, men samles ikke inn så ofte i tid. En måling fra en værstasjon, ei bøye eller et borehull har tette målinger i tid, men har kun lokal informasjon. Modellering av rom-tid fenomen innebærer en kobling (avhengighet) mellom variable ved ulike steder og tider.

Rom-tid statistikk gir typisk krevende analyser pga store systemer og kompliserte avhengigheter. Modeller, metoder og algoritmer utvikles stadig for å gi raskere beregninger, mens man fortsatt ønsker forståelse av de statistiske egenskapene. Her brukes ulike approksimasjonsteknikker, for eksempel Monte Carlo metoder (stokastisk simulering). Innenfor disse rammene er jeg også interessert i kunstig intelligens, diskret optimering og design i ulike anvendelser.

Jeg er engasjert i et senter for geofysisk overvåking og varsling (CGF). Her er en film om fiberoptiske data for karakterisering av hvalaktivitet: DAS film. Jeg vil gjerne at oppgaver skal være knyttet til data og problemstillinger vi har der, som for eksempel fiberoptiske data eller seismiske data for rom-tid monitorering.

Typiske fagvalg er TMA4250 Romlig statistikk og TMA4300 Beregningskrevende statistiske metoder. Andre ved Institutt for matematiske fag som også gir oppgaver knyttet til relaterte fagområder:

Mulighet for prosjekt koblet til statistikere andre steder:

FFI Project: Machine learning for modelling fighter pilot behavior

Fighter pilots in the Norwegian air force train in simulators, where they exercise tactics and operations by engaging in scenarios with friendly and hostile players. For convenience, these players may be replaced by artificially intelligent agents that behave realistically and tactically accurate. Can the AI agents prove useful in pilot simulator training? The Norwegian Defence Research Establishment (FFI) has designed a machine learning environment for experimentation with air combat scenarios and deep learning algorithms. We will use reinforcement learning or imitation learning to make agents which approximate fighter pilot behavior. The project will develop relevant training scenarios in collaboration with the Royal Norwegian Air Force.

Co-supervisor: Andreas Strand at FFI.

Sintef Energi: AI & Maskinlæring for optimalisering av fornybar energiteknologi.

Aktiviteten i denne stillingen vil fokusere på analyse og maskinglærings-modellering av fornybar energiteknologi som batterier, brenselceller og elektrolysører, og deres integrasjon i fornybare energisystemer. Nevrale nettverksmodeller og maskinlæringsteknikker er allerede implementert i våre aktiviteter. Våre pågående prosjekter inkluderer utvikling og demonstrasjon av transportapplikasjoner som nullutslippslastebiler, busser og skip (basert på brenselceller og batterier), samt fornybare energisystemer basert på vind- og solkraft, kombinert med batterier og elektrolysører/hydrogen for energilagring. Denne forskningen utføres i nært samarbeid med internasjonalt ledende selskaper i disse sektorene, så arbeidet ditt vil være anvendt og industrielt relevant.

Co-supervisor: Anders Ødegård, Sintef.

Se også under statistikk i oppgavekatalogen

Tidligere MSc studenter

  • Theophane Pincemin, 2024, 'Correlating Wind and Distributed Acoustic Sensing Data'
  • Fredrik S Edvardsen, 2024, 'Classifying railway crossing events using distributed acoustic sensing and self-supervised learning'
  • Ole Riddervold, 2024, 'Non-Stationary Spatial Random Walk Models on Graphs'
  • Simon L B Fredriksen, 2024, 'Object Tracking and Classification using Distributed Acoustic Sensing'
  • Karen S Auestad, 2024, 'Seismic AVO Inversion with Fast Approximate Markov Chain Monte Carlo - A Case Study of the Alvheim Field'
  • Johannes Padel, 2023, 'Predicting Dry Bulk Vessel Destinations using Historical AIS Data'
  • Markus J Aase, 2022, 'Predicting persistent weak layers in maritime regions in Norway using meteorological parameters'
  • Mads Simonsen, 2022, 'Approximate Filtering Approaches for Switching Linear Dynamical Systems'
  • Oscar Ovanger, 2021, ‘Graph Gaussian process classifier with anchor graph and label propagation’
  • Jens Berg-Jensen, 2021, ‘Informative drone data gathering for snow avalanche prediction’
  • Adrian Bruland, 2021, ‘Manual hyperparameter tuning for optimal regression uncertainty estimates in Bayesian deep learning’
  • Petter Aarseth Moen, 2020, 'Bankruptcy prediction for Norwegian enterprises using interpretable machine learning models with a novel timeseries problem formulation'
  • Erik Arne Huso, 2020, 'Generative Adversarial Networks for Seismic Interpretation'
  • Henrik Syversveen Lie, 2020, 'Cylindrical hidden Markov random field models with applications to ocean surface currents'
  • Kaia Arnøy Høyheim, 2020, 'Particle Filtering Approaches for Atlantic Salmon Migration Based on Acoustic Telemetry Data'
  • Maia Haugen Tømmerbakk, 2020, 'Ship Tracking Based on Fiber Optic Cable Data'
  • Vegard Tuset, 2020, 'Sensitivitetsanalyse av SNOWPACK for norske forhold'
  • Øyvind Klåpbakken, 2020, 'Map matching using Hidden Markov models'
  • Karine Hagesæther Foss, 2019, 'Spatio-temporal Gaussian processes and excursion sets for adaptive environmental sensing using underwater robotics'
  • Angela Maiken Johnsen, 2019, 'Forecasting Day-Ahead Electricity Spot Prices, With Applications to the German Electricity Market'
  • Scott Bunting, 2019, 'Value of information analysis in the context of leakage detection in CO2 storage'
  • Anders Hjort, 2019, 'Strategies for Risk Based Inspection of Corrosion Damage in Pipeline Systems'
  • Kristian Amundsen Ruud, 2018, 'LIDAR Extended Object Tracking of a Maritime Vessel Using an Ellipsoidal Contour Model'
  • Hans Olav Vogt Myklebust, 2018, 'Estimating the Value of Information Using Bayesian Optimization with Gaussian Process Surrogate Models - An Application to Failure Rates at Offshore Wind Farms'
  • Anne-Line Evenstad Dahlen, 2018, 'Energy Efficient Monitoring using Kalman Filter - A case study on environmental variables collected from solar panels'
  • Helge Skarestad, 2017, 'A novel profit scoring method for classifying credit card applications'
  • Himanshu Srivastava, 2017, 'Development of a penalized complexity prior for stationary and invertible time series processes'
  • Gunhild E Berget, 2017, 'Using hidden Markov models for musical chord prediction'
  • Heidi Liljeblad Ødegård, 2016, 'The value of snow measurements in scheduling of hydropower plants'
  • Marius Rise Gallala, 2016, 'Surrogatbasert optimering ved bruk av kunstige nevrale nettverk'
  • Jacob Skauvold, 2014, 'Parametric wavelet estimation'
  • Nirosan Manoharan, 2014, 'K-nearest neighbour methods for value of information in petroleum decision making'
  • Kjersti M Hatlelid, 2013, ‘Kalman filters applied to target tracking with multiple sensors’
  • Kevin A Gaze, 2013, ‘Exact optimization methods for the mixed capacitated general routing problem’
  • Tatek Getachew, 2012, 'Parameter and state estimations in hidden Markov models'
  • Seyifemickael Amare, 2012, 'Bayesian multilevel analysis of determinants of family planning practice in Ethiopia'
  • Ashebir Asaminew, 2012, 'Statistical Modelling of the Most Recent Birth Interval and Under Five Mortality in Ethiopia'
  • Bjørn Erik Loeng, 2012, ‘Statistical methods for calculating the risk of collision between petroleum wells’
  • Elisabeth Straume, 2012, ‘Prediction of lithology/fluid classes from petrophysical and elastic observations’
  • Tommy Sneltvedt, 2011, ’Sequential value information for Markov random fields'
  • Karianne Lien, 2011, ’Stochastic programming in aluminium recycling’
  • Yngve Borgan, 2011, ’Using the composite likelihood method on 4D AVA seismic data’
  • Ingrid Garli Dragset, 2009, ’Analysis of longitudinal data with missing values’
  • Magdalon Opdahl, 2009, ’Valg av eksperiment på romlige felt ved hjelp av eksperimentverdi’
  • Tore Botnen, 2009: ’Precipitation forecasting using Radar Data’
  • Eivind Bjøralt Sandvik, 2009: ’Sammenligning og prediksjon av gassmålinger’
  • Mads Herdahl, 2008: ’Linear mixed model for compressor head and flow data with an application’
  • Ingrid Østgård Jensås, 2008, ’A blockyness constraint for seismic AVA inversion’
  • Tony Gjerde, 2008: ’A heavy tailed statistical model applied in anticollision calculations for petroleum wells’
  • Jon Gustav Vabø, 2008: ’Using the ensemble Kalman filter with kernel methods for history matching of petroleum reservoirs’
  • Arild Brandrud Næss, 2007: ’Bayesian text categorization’
  • Andreas Holm, 2007: ’Estimation of reservoir properties by joint inversion of seismic AVO and CSEM data’
  • Mathilde Wilhelmsen, 2007: ’Estimation and model criticism for categorical and Gaussian Markov random fields’
  • Morten Dahl, 2007: ’Model choice and experimental design for generalized linear spatial models’
  • Frederic Dumont-Kristiansen, 2007: ’Spatial variability constraints in seimic depth tomography’
  • Truls Ambjørnsen, 2006: ’Condition analysis for compressors’
  • Edmund Førland Brekke, 2005: ’Bayesian inversion of time lapse seismic data using a blocky model’
2024-08-21, Jo Eidsvik