Bayesianske metodar og statistiske levetidsmodellar

Bayesianske metodar blir ofte brukt innan maskinlæring for å analysere data og trene algoritmar til å generere nye predikasjonar basert på tidlegare data. Dei siste åra har dei Bayesianske metodane fått auka merksemd ettersom dei, i tillegg til å representere usikkerheita i data, kan inkorporere tidlegare kunnskap eller føresetnadar i analysen. Dette resulterer ofte i meir nøyaktige predikasjonar og robuste modellar. Dei Bayesianske maskinlæringsmodellane har eit bredt spekter av bruksområder, frå å predikere aksjeprisar til å diagnostisere sjukdomar. Den siste tida har mengda av tilgjengeleg data auka mykje på grunn av digitalisering og effektive datainnsamlingsteknikkar. Dette medfører eit behov for effektive modellar som klarer å trekkje ut den mest naudsynte informasjonen frå data.

I si avhandling presenterer Helgøy ein ny Bayesiansk modell, der kun dei mest relevante data blir brukt for å generere nye predikasjonar. Denne modellen reduserer kjøretida og gjer det mogleg å hente ut informasjon frå eit stort datasett. Eit anna tema i denne avhandlinga er statistiske levetidsmodellar. Desse blir brukt til analysere levetider, eller meir generelt, tida før ei gitt hending intreff. Modellane kan nyttast til å gi innsikt i overlevingsmønsteret til ulike populasjonar eller til å føreseie sannsynet for framtidige hendingar. I avhandlinga blir det presentert ein ny multivariat fordeling for å modellere levetider som er avhengige av kvarandre. Denne algoritmen blir testa på både simulerte og ekte data.

Personalia

Ingvild Margrethe Helgøy er født i 1990 og oppvaksen i Vanylven kommune i Møre og Romsdal. Har ein mastergrad i statistikk frå UiB frå 2017. Sidan har ho arbeidt med doktorgraden ved Universitetet i Bergen, og vart i 2021 tilsett ved Høgskulen i Volda. Arbeidet med doktorgraden har vore veileda av Dr. Yushu Li (UiB) og Prof. Hans Julius Skaug (UiB).