Anniken Rabben

Sivilingeniør i datavitenskap · MSc Data Science, NMBU

Hyggelig at du er her

Om meg

Jeg liker å bygge ting. Enten det er en app, en analyse eller en maskinlæringsmodell, motiveres jeg av å forstå et problem og utvikle en løsning som faktisk fungerer.

Jeg er nyutdannet sivilingeniør i datavitenskap fra NMBU med fordypning i matematikk og statistikk. Gjennom studiet har jeg jobbet med alt fra maskinlæring på kliniske data til geografiske analyser, programvareutvikling og egne sideprosjekter. Jeg liker prosjekter hvor jeg kan følge hele prosessen – fra idé og analyse til et ferdig produkt.

Jeg lærer best når jeg får bruke kunnskapen i praksis. Derfor har jeg endt opp med prosjekter innen både maskinlæring, iOS-utvikling, interakrive kart og webutvikling. Masteroppgaven min ble gjennomført i samarbeid med Uniklinikum Erlangen i Tyskland og handlet om bruk av maskinlæring på kliniske data.

MSc Data Science, NMBU Python · SQL · Java · Excel · Swift · R · MATLAB 3 år lektorutdanning

Prosjekter

Et utvalg av det jeg har bygget

Fra klinisk maskinlæring til apputvikling og geografisk analyse — her er noen av prosjektene jeg er mest stolt av.

Masteroppgave · Uniklinikum Erlangen · 2026

Prediksjon av immunrelaterte bivirkninger ved immunterapi

«Predicting Immune-Related Adverse Events Following Immune Checkpoint Inhibitor Therapy — A Machine Learning Approach»

Dette er prosjektet jeg har brukt mest tid på, og det ga meg muligheten til å kombinere maskinlæring med et reelt medisinsk problem. I samarbeid med Uniklinikum Erlangen undersøkte jeg hvordan maskinlæring kan brukes til å predikere immunrelaterte bivirkninger hos kreftpasienter behandlet med immunterapi. Jeg arbeidet med hele prosessen – fra datarensing og feature engineering til modellutvikling, evaluering og tolkning av resultatene – og lærte hvor viktig robuste metoder er når datasett er små og komplekse.

Datarensing og feature engineering på flowcytometri- og kliniske data, inkludert delta-features mellom to måletidspunkter
Manglende data håndtert med multivariat imputering (Iterative Imputer, MICE)
Nested cross-validation (RepeatedStratifiedKFold) for robuste estimater på et lite, ubalansert datasett
Optuna (TPE-sampler) for hyperparametertuning; evaluert på AUC, MCC og F1-score
SHAP-analyse på individnivå og sammenligning mot et etablert klinisk referansepanel fra litteraturen

Pythonscikit-learnCatBoostXGBoostOptunaSHAP

Eget prosjekt · 2025–pågående

Bakeapp — iOS-applikasjon

BakeVenn startet som et lite sideprosjekt fordi jeg savnet en enklere måte å finne ut hva jeg kunne bake med ingrediensene jeg allerede hadde hjemme. Etter hvert utviklet prosjektet seg til en full iOS-app bygget med Swift og SwiftUI, hvor jeg har fått utforske både apputvikling, design av brukeropplevelser og nye Apple-teknologier. Appen er fortsatt under aktiv utvikling, og er et prosjekt jeg stadig bygger videre på.

SwiftSwiftUIXcodeiOS

Besøk BakeVenn GitHub

University of Minnesota · 2025

Optimal plassering av elbilladestasjoner

Prosjektet startet med et enkelt spørsmål: Hvor burde nye ladestasjoner bygges for å gi størst nytte? Ved hjelp av Python, GeoPandas og Shapely kombinerte jeg flere geografiske datakilder for å identifisere områder i Minnesota med høy befolkning og dårlig dekning. Resultatet ble et interaktivt kart som gjør analysen enkel å utforske.

PythonGeoPandasShapely

NMBU (INF202)

Energieffektiv trening av nevrale nett

Utforsket hvordan low-rank-nevrale nettverk påvirker avveiningen mellom modellstørrelse, treningstid og energiforbruk. Implementerte modellen i PyTorch og sammenlignet ulike konfigurasjoner for å undersøke hvordan redusert kompleksitet påvirket ytelsen.

PyTorchdeep learningobjektorientert programmeringPython