Prof. Dr. Sarah Hallerberg

im Bachelor: Mathematik, Angewandte Informatik, Maschinelles Lernen und Datenanalyse, Angewandte künstliche Ingelligenz, im Master: Mathematische Verfahren, Machine Learning Methods (eng.)

• analysis and simulation of dynamical systems
• developing and applying data analysis and machine learning methods
• dynamics of supply networks, as e.g. power grids
• audio-visual information processing in bio-acoustics and field biology
• characterisation and predictive inference of extreme events
• stochastic processes and time series analysis
• perturbations in spatio-temporal chaotic dynamics

Sarah Hallerberg ist promovierte theoretische Physikerin und Professorin für Mathematik und angewandte Informatik an der HAW Hamburg. Zuvor arbeitete sie bei IBM Research Dublin an der automatisierten Analyse von Stromverbrauchs- und Erzeugungsdaten. Als Postdoc war sie davor vier Jahre lang am Max-Planck-Institut für Dynamik und Selbstorganisation in Göttingen beschäftigt. Weitere vorherige Stationen Ihres beruflichen Werdegangs sind Beschäftigungen als Gastprofessorin an der Universidad de Cantabria (Santander, Spanien), als Postdoc an der TU Chemnitz, Postdoc am CSIC-Institut Instituto de Fisica de Cantabria (Santander, Spanien) Santander, Spanien. Nach ihrem Physikstudium mit Schwerpunkt statistischer Physik hat Sarah Hallerberg am Max-Planck-Institut für Physik komplexer Systeme in Dresden zum Thema "Vorhersagbarkeit von Extremereignissen in Zeitreihen" promoviert. Ihre Forschungsschwerpunkte sind Maschinelles Lernen, insbesondere datenbasierte Vorhersage- und Klassifizierungsalgorithmen, Vorhersagbarkeit von Extremereignissen und kritische Systemumschwünge, Analyse Bio-akustischer Daten, Dynamik von Netzwerken, Störungsausbreitung in dynamischen Systemen und die automatisierten Analyse großer Datenmengen.

• Towards Automated Photo Identification of Killer Whales
• Statistics, Predictability and Dynamics of Critical Transitions
• Lyapunov-Vektoren in minimalistischen Atmosphärenmodellen
• Perturbation Growth and Predictability of Extreme Events

• Vorhersagbarkeit von Strompreisfluktuationen auf dem EPEX Intraday Market

• Big Data Analytik und Predictive Maintenance von Photovoltaik-Wechselrichtern

• Klassifizierung der Alarme aus Condition Monitoring Systemen von Windturbinen

• Untersuchung verschiedener Methoden des Deep Learnings im Kontext der Audio-Klassifikation

• B.Ghani, S. Hallerberg, A Randomized Bag-of-Birds Approach to Study Robustness of Automated Audio Based Bird Species Classification, Applied Science, 11(19), 9226, (2021)
• X.Zhang, S. Hallerberg, M. Matthiae, D. Witthaut, M. Timme, Fluctuation-induced Distributed Resonances in Oscillatory Networks, Science Advances , Vol.5, no. 7, (2019)
•  J. Casadiego, M. Nitzan, S. Hallerberg and M. Timme, Model-free inference of direct network interactions from nonlinear collective dynamics, Nature Communications 8, 2129, (2017)
•  N. Sharafi, M. Timme, and S.Hallerberg, Critical transitions and perturbation growth directions, Phys. Rev. E 96, 032220 – Published 19 September 2017,
• H. Vester, S. Hallerberg, M. Timme, K. Hammerschmidt, Vocal repertoire of long-finned pilot whales (Globicephala melas) in northern Norway, The Journal of the Acoustical Society of America 141, 4289 (2017)
• D. Manik, M. Rohden, H. Ronellenfitsch, X. Zhang, S. Hallerberg, D. Witthaut, M. Timme, Network susceptibilities: Theory and applications, Phys. Rev. E 95, 012319 (2017)
• D. Witthaut, M. Rohden, X. Zhang, S. Hallerberg, M. Timme, Critical Links and Nonlocal Rerouting in Complex Supply Networks, Phys. Rev. Lett. 116, 138701, (2016).
• H. Vester, K. Hammerschmidt, M. Timme and S. Hallerberg, Quantifying group specificity of animal vocalizations without specific sender information, Phys. Rev. E, 93, 022138, (2016).
• X. Zhang, C. Kühn, S. Hallerberg, Predictability of critical transitions, Phys. Rev. E, 92, 052905, (2015).
•  S. Hallerberg, A. S de Wijn, Understanding and controlling regime switching in molecular diffusion, Phys. Rev. E, 90, 062901, (2014).
• S. Hallerberg, D. Pazó, M. A. Rodríguez, J. M. Lopéz, Logarithmic bred vectors in spatiotemporal chaos: Structure and growth Phys. Rev. E, 81, 066204, (2010).
• A. Garber, S. Hallerberg, H. Kantz, Predicting extreme avalanches in self-organized critical sandpiles, Phys. Rev. E, 80, 026124, (2009).
• S. Hallerberg, Predictability of Extreme Events in Time Series, Dissertation elpub.bib.uni-wuppertal.de/edocs/dokumente/fbc/physik/diss2008/hallerberg/index.html

• S. Hallerberg, J. Bröcker and H. Kantz, Prediction of Extreme Events in Nonlinear Time Series Analysis in the Geosciences - Applications in Climatology, Geodynamics, and Solar-Terrestrial Physics, edited by R. Donner, S. Barbosa, Lecture Notes in Earth Sciences, Springer (2008).

• S. Hallerberg and H. Kantz, Influence of the Event Magnitude on the Predictability of Extreme Events, Phys. Rev. E, 77, 011108, (2008).

• S. Hallerberg and H. Kantz, How Does the Quality of a Prediction depend on the Magnitude of the Events under Study? Nonlin. Processes in Geophys., 15, 321-331, (2008).

• S. Hallerberg and H. Kantz, Influence of the Event Magnitude on the Predictability of Extreme Events, ETE[1008], 147807.

• S. Hallerberg., E. G. Altmann, D. Holstein, H. Kantz, Precursors of Extreme Increments, Phys. Rev. E, 75, 016706, (2007).

• E. G. Altmann, S. Hallerberg, and H. Kantz, Reactions to extreme events: moving threshold model, Physica A, 364, 435-444, (2006).

• H. Kantz, E. G. Altmann, S. Hallerberg, D. Holstein, A. Riegert, Dynamical interpretation of extreme events: predictability and predictions, in Sergio Albeverio, Volker Jentsch, Holger Kantz (eds.), Extreme Events in Nature and Society, Springer (2005).

• S. Hallerberg, W. Just, and G. Radons, Analytic properties of the Ruelle zeta function for mean field models of phase transition, J. Phys. A: Math. Gen., 38, 5097-5109 (2005).