David Jobst
Kontakt:
Telefon: +49 5121 883-40144Fax: +49 5121 883-40145
E-Mail Kontaktformular
Raum: SC.A.1.23
Sprechzeit: https://bbb.uni-hildesheim.de/b/dav-jtr-1fw-exp
Homepage: http://www.uni-hildesheim.de/fb4/institute/imai/mitglieder/jobst Homepage
Lehrveranstaltungen
WiSe 2024/25
- Übungsleitung für Mathematische Methoden III: Analysis (5390)
- Übungsleitung für Topics in Statistical Inference (5285)
- Seminarleitung für Vertiefungsseminar Reihen und unendliche Produkte (5321)
- Seminarleitung für Mathematisches Proseminar (5010)
Übersicht aller von mir bisher betreuten Lehrveranstaltungen
Curriculum Vitae
- Seit Aug. 2020: Wissenschaftlicher Mitarbeiter am Institut für Mathematik und Angewandte Informatik
- Okt. 2017 - Jul. 2020: Studium für ein Lehramt an Gymnasien in Mathematik und Sport, TU München, Abschlüsse: M.Ed. und 1. Staatsexamen
- Okt. 2015 - Apr. 2019: Studium für Mathematik mit Nebenfach Elektro- und Informationstechnik, TU München, Abschluss: B.Sc.
- Okt. 2014 - Okt. 2017: Studium für ein Lehramt an Gymnasien in Mathematik und Sport, TU München, Abschluss: B.Ed.
Forschungsinteressen
- Probabilistische Vorhersagen
- Copulas und Vine Copulas
- Räumliche Statistik
Publikationen
- David Jobst (2024). Gradient-Boosted Mixture Regression Models for Postprocessing Ensemble Weather Forecasts. arXiv:2412.09583.
- David Jobst, Annette Möller und Jürgen Groß (2024). Gradient-Boosted Generalized Linear Models for Conditional Vine Copulas. Environmetrics.
- David Jobst, Annette Möller und Jürgen Groß (2024). Time Series based Ensemble Model Output Statistics for Temperature Forecasts Postprocessing. Quaterly Journal of the Royal Meteorological Society.
- David Jobst, Annette Möller und Jürgen Groß (2023). D-Vine GAM Copula based Quantile Regression with Application to Ensemble Postprocessing. arXiv:2309.05603.
- David Jobst, Annette Möller und Jürgen Groß (2023). D-vine-copula-based postprocessing of wind speed ensemble forecasts. Quaterly Journal of the Royal Meteorological Society, 149(755), 2575–2597.
- Demaeyer et al. (2023). The EUPPBench postprocessing benchmark dataset v1.0. Earth System Science Data, 15, 2635–2553.
Vorträge
- Gradient-boosted conditional vine copula models for multivariate temperature forecasting, CMStatistics, London, 14. Dezember - 16. Dezember 2024.
- Gradient-Boosted Mixture Models for Postprocessing Ensemble Weather Forecasts, European Nowcasting and Weather Forecasting Conference, Oslo, 4. November - 8. November 2024.
- Mixture Models for Ensemble Postprocessing, Postprocessing Workshop, Bielefeld, 3. September - 4. September 2024.
- Gradient Boosted Generalized Linear Models for Conditional Vine Copulas, Workshop: Dependence models, Vines, and their Applications, München, 22. Juli - 24. Juli 2024.
- D-Vine GAM Copula based Quantile Regression with Application to Ensemble Postprocessing, EGU Konferenz, Wien, 14. April - 19. April 2024.
- D-Vine Copula basierte Nachbearbeitung von Ensemble Wettervorhersagen, Forschungstag IMAI, 20. Februar 2024.
- D-Vine GAM Copula Based Quantile Regression with Application to Ensemble Postprocessing, CMStatistics, Berlin, 16. Dezember - 18. Dezember 2023.
- D-Vine Copula based Postprocessing of Wind Speed Ensemble Forecasts, Tag der Informatik, Hildesheim, 29. Juni 2023.
- D-Vine Copula based Postprocessing of Wind Speed Ensemble Forecasts, EGU Konferenz, Wien, 23. April - 28. April 2023.
- Support Vector Machine Quantile Regression based ensemble postprocessing, HITS Workshop für Ensemble Postprocessing, Heidelberg, 20. Juli 2022
- Support Vector Machine Quantile Regression based ensemble postprocessing, Kolloqium des ZeSt, Uni Bielefeld, 21. Juni 2022
- Support Vector Machine Quantile Regression based ensemble postprocessing, EGU Konferenz, Wien, 23. Mai - 27. Mai 2022
Weitere Informationen
- Informationen zu Abschlussarbeiten
- Private Website: www.teachingdavid.com
- Urlaub: 02.01.-07.01.2025
