SAMBA
SAMBA
Avdelingen SAMBA har omfattende teoretisk og praktisk kompetanse innen feltene statistisk analyse, maskinlæring og bildeanalyse. Som en av Europas største og mest kompetente grupper innen anvendt statistikk og statistisk-matematisk modellering dekker vi et bredt spekter av metoder. Å velge riktige metoder til ulike problemer er dermed en av våre sterke sider. Mange beregninger er beheftet med usikkerhet og nøyaktig beregning av denne størrelsen er en viktig spesialitet.
Forskningsområder
Aktiviteten innenfor klima og miljø omfatter såvel anvendte problemstillinger som grunnforskning helt i fronten av internasjonalt arbeid innen feltet.
|
Vi bruker statistisk metodikk til å kvantifisere alle former for risiko innen bank-, forsikrings- og råvaremarkeder. Vi jobber mye med modeller knyttet til regelverkene Basel II og Solvens II og har utviklet et stort antall systemer knyttet til trading og risikostyring for ulike kraftselskaper.
|
Vi dekker et bredt spekter av anvendelsesområder innen feltene marine ressurser og helse.
|
Vi dekker et bredt spekter av bruksområder, inkludert prognoser, tidsserieanalyse, nettverksmodellering, optimal levering, logistikk, optimal styring av industriprosesser, pålitelighetsanalyse, kostnadsundersøkelser og analyse av svært store datasett.
|
Vi utfører forskning og utvikling av metoder for analyse av digitale fjernmålingsdata fra satellitter og fly. Bruksområder inkluderer miljøovervåkning, overvåkning av klimaendringer, deteksjon av naturkatastrofer, naturressurskartlegging og kartrevisjon.
|
Vi har omfattende kunnskap og mer enn 30 års erfaring innen bildeanalyse og maskinlæring mot et bredt spekter av anvendelsesområder. Deteksjon, karakterisering og gjenkjenning av objekter i både bilder og bildesekvenser er sentrale temaer for mange av våre prosjekter. Et annet sentralt tema er mønstergjenkjenning i tekst.
|
Big Insight er et senter for forskningsdrevet innovasjon finansiert av Norges forskningsråd. Senteret har et nært samarbeid med universiteter, offentlige partnere og bedriftspartnere.
|
Siste 5 vitenskapelige artikler
Worsnop, Rochelle P.; Scheuerer, Michael; Hamill, Thomas M.; Smith, Timothy A.; Schlör, Jakob. RUFCO: a deep-learning framework to post-process subseasonal precipitation accumulation forecasts. Artificial Intelligence for the Earth Systems (ISSN 2769-7525). doi: 10.1175/AIES-D-24-0020.1. 2024.
Moen, Per August Jarval; Glad, Ingrid Kristine; Tveten, Martin. Efficient sparsity adaptive changepoint estimation. Electronic Journal of Statistics (ISSN 1935-7524). 18(2) pp 3975-4038. doi: 10.1214/24-EJS2294. 2024.
Manzanares-Salor, Benet; Sánchez, David; Lison, Pierre. Evaluating the disclosure risk of anonymized documents via a machine learning-based re-identification attack. Data mining and knowledge discovery (ISSN 1384-5810). pp 1-36. doi: 10.1007/s10618-024-01066-3. 2024.
Heinrich-Mertsching, Claudio Constantin; Thorarinsdottir, Thordis Linda; Guttorp, Peter; Schneider, Max. Validation of point process predictions with proper scoring rules. Scandinavian Journal of Statistics (ISSN 0303-6898). doi: 10.1111/sjos.12736. 2024.
Engebretsen, Solveig; Aldrin, Magne Tommy; Staven, Fredrik Ribsskog; Bendiksen, Eskil; Stige, Leif Christian; Jansen, Peder Andreas. Heterogeneous Weight Development of Lumpfish (Cyclopterus lumpus) Used as Cleaner Fish in Atlantic Salmon (Salmo salar) Farming. Fishes (ISSN 2410-3888). 9(9) doi: 10.3390/fishes9090336. 2024.
