The Image Group – University of Copenhagen

The Image Group
Kristoffer Stensbo-Smidt's Homepage

Kristoffer Stensbo-Smidt

Postdoc
University of Copenhagen
Universitetsparken 5
2100 København Ø
Email: k.stensbo@di.ku.dk
Office: Sigurdsgade 41, 2200 København N; Office 2.02B
Phone: (+45) 60 83 10 43

Kort beskrivelse af min forskning

Min forskning handler om at udvikle kunstig intelligens. Jeg arbejder med at prøve at forstå, hvordan vi kan gøre computere intelligente - eller i hvert fald fremstå intelligente. Mit fokus er på machine learning, eller på dansk maskinlæring, som bruger en matematisk og statistisk tilgang til kunstig intelligens.

Man kan angribe problemet på mange forskellige måder. Jeg fokuserer på en type af metoder, der kan gøre computere i stand til at lære fra meget få erfaringer. Typisk kræver kunstig intelligens millioner eller milliarder af data (f.eks. billeder eller tekster), for at kunne danne sig nok erfaring til at kunne løse en given opgave.

Metoderne, jeg arbejder med, gør det også muligt at benytte sig af den baggrundsviden, vi mennesker har om et emne eller opgave. På den måde kan man få det bedste af to verdener: menneskers enorme erfaring og computernes evne til at overskue enorme mængder data.

Jeg er en del af projektet GANDALF, hvis formål er at udvikle avancerede metoder til at analysere og risikovurdere mændgen af jordforurening i og omkring byområder. Det specielle ved projektet er, at man ikke blot leder efter nogle enkelte, farlige stoffer, men forsøger at få et komplet “fingeraftryk” af jorden, så man dels kan lede efter tusindvis af stoffer, dels altid kan gå tilbage og lede efter flere, hvis man senere finder ud af, at et specifikt kemikalie er farligt. Ved at få en computer til at lære sammenhængen mellem den tidligere brug af en grund, jordtypen og grundvandet i området, andre forureningskilder i området osv., kan vi få en avanceret model for forureningen i hele byområder.

Indflydelse på samfundet

Kunstig intelligens er en teknologi, der får stor indflydelse på vores samfund inden for få år, og som er en hovedingrediens i det, der kaldes den fjerde industrielle revolution eller den anden maskinalder. Jeg har en stor interesse for den anden maskinalder, som jeg regelmæssigt skriver om i danske aviser. Jeg er klummeskribent på Altinget: digital, og bliver jævnligt brugt som ekspert på området i medierne. Jeg holder ofte populærvidenskabelige foredrag om kunstig intelligens og dets fremtidige indflydelse på samfundet. Kontakt mig gerne, hvis du er interesseret i at booke et foredrag.

Short CV

I work as a postdoc on developing machine learning methods, with a focus on Gaussian processes, for estimating soil pollution around cities. I am part of the project GANDALF.

In 2017, I received my PhD degree from the Department of Computer Science (DIKU), University of Copenhagen. My PhD was funded by Independent Research Fund Denmark, Natural Sciences, and was part of the SkyML collaboration.

I received my master's degree in physics and astronomy from the Niels Bohr Institute, University of Copenhagen in 2012.

Research interests

My main research interests revolve around Bayesian methods, in particular Gaussian processes. I am motivated by applications in the natural sciences, but with a growing interest in natural language processing (NLP).

Publications

Kristoffer Stensbo-Smidt, Fabian Gieseke, Christian Igel, Andrew Zirm, and Kim Steenstrup Pedersen.

Sacrificing information for the greater good: how to select photometric bands for optimal accuracy.

Monthly Notices of the Royal Astronomical Society,

464(3):2577–2596,

2017

MNRAS

Jan Kremer, Kristoffer Stensbo-Smidt, Fabian Gieseke, Kim Steenstrup Pedersen, and Christian Igel.

Big universe, big data: machine learning and image analysis for astronomy.

IEEE Intelligent Systems,

vol. 32, no. 2, pp. 16–22,

Mar.–Apr. 2017

IEEE Xplore

Kim Steenstrup Pedersen, Kristoffer Stensbo-Smidt, Andrew Zirm, and Christian Igel.

Shape Index Descriptors Applied to Texture-Based Galaxy Analysis.

International Conference on Computer Vision (ICCV),

pp. 2440–2447,

IEEE Press,

2013

PDF

Kristoffer Stensbo-Smidt, Christian Igel, Andrew Zirm, and Kim Steenstrup Pedersen.

Nearest Neighbour Regression Outperforms Model-based Prediction of Specific Star Formation Rate.

IEEE International Conference on Big Data 2013,

pp. 141–144,

IEEE Press,

2013

PDF

Posters

Nearest neighbour regression outperforms model-based prediction of specific star formation rate

Poster presented at the IEEE Big Data 2013 workshop Scalable Machine Learning: Theory and Applications, and at the joint AISTATS/MLSS 2014 poster session.

Texture-based estimation of galactic properties

Poster presented at the ENS/INRIA Visual Recognition and Machine Learning Summer School 2013.

Notes

The perceptron algorithm

A short note on the perceptron algorithm including a proof of the convergence theorem.