DSA Faculty
API
← к списку преподавателей

Незнанов Алексей Андреевич

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: +7 (495) 772-95-90 | 22672 | +7 (985) 761-35-16
Публикаций
70
Языков
2
Наград
8
Конференций
0
Профиль Публикации (70) Курсы (10)

Профессиональные интересы

прикладная теория графовинтеллектуальный анализ данныхмедицинская информатикапрограммная инженериячеловеко-машинные интерфейсы27.45.17 Теория графов28.29.00 Системный анализ27.41.41 Алгоритмы решения задач вычислительной и дискретной математики50.05.09 Языки программирования50.41.21 Системы управления базами данных (СУБД)20.23.17 Информационно-поисковые массивы. Базы данных. Манипулирование данными и файлами20.23.25 Информационные системы с базами знаний50.05.13 Технология программирования. Автоматизация программирования. Программотехника50.41.29 Программное обеспечение пользовательского интерфейса50.41.17 Системное программное обеспечение27.47.23 Математические проблемы искусственного интеллекта28.23.24 Модели восприятия информации в интеллектуальных системах28.23.29 Программная реализация интеллектуальных систем

Должности

  • Доцент — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта
  • Доцент — Факультет компьютерных наук, Департамент программной инженерии

Био

  • · Начал работать в НИУ ВШЭ в 2008 году.
  • · Научно-педагогический стаж: 9 лет.

Образование

  • 2011 · Ученое звание: Доцент
  • 2005 · Кандидат наук: Московский энергетический институт, специальность 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», тема диссертации: Методы и программные средства различения расположения фрагментов графовых моделей систем
  • 2002 · Магистратура: Московский энергетический институт (технический университет), Институт автоматики и вычислительной техники, специальность «Прикладная математика и информатика», квалификация «Магистр математики. Преподаватель высшей школы.»
  • 2000 · Бакалавриат: Московский энергетический институт (технический университет), специальность «Прикладная математика и информатика», квалификация «Бакалавр»

Опыт работы

  • · Международная лаборатория интеллектуальных систем и структурного анализа.
  • · Старший научный сотрудник.
  • · Департамент анализа данных и искусственного интеллекта факультета компьютерных наук НИУ ВШЭ.
  • · Доцент.
  • · Федеральное государственное бюджетное учреждение «Федеральный научно-клинический центр детской гематологии, онкологии и иммунологии имени Дмитрия Рогачева» Минздрава России.
  • · Заведующий информационно-аналитическим отделом.
  • · Отделение прикладной математики и информатики НИУ ВШЭ.
  • · Доцент. Зам. зав. отделением. Читал курсы «Практикум на ЭВМ», «Базы данных и экспертные системы», «Объектно-ориентированные CASE-технологии», «Распределённые вычисления».
  • · Институт автоматики и вычислительной техники МЭИ (ТУ).
  • · Ассистент. Читал курсы «Распределённые информационные системы и базы данных», «Теория графов и комбинаторика», «Проектирование программного обеспечения автоматизированных систем». Занимался научной работой.
  • · Факультет инноваций и высоких технологий МФТИ.
  • · Доцент. Поставил и читал курсы «Проектирование взаимодействия с пользователем», «Распределённые информационные системы (клиент-серверные приложения)».
  • · Институт технологии, экономики и предпринимательства МЭИ (ТУ).
  • · Старший преподаватель. Поставил и читал курс «Управление организационными изменениями».
  • · Институт автоматики и вычислительной техники МЭИ (ТУ).
  • · Младший научный сотрудник.
  • · OOO «Фирма Перспектива».
  • · Программист.

Награды и поощрения

  • · Благодарственное письмо ректора НИУ ВШЭ (сентябрь 2021)
  • · Благодарность проректора НИУ ВШЭ (апрель 2019)
  • · Почетная грамота Высшей школы экономики (декабрь 2015)
  • · Благодарность Высшей школы экономики (ноябрь 2013)
  • · Надбавка за академическую работу (2021–2022, 2017–2018, 2016–2017, 2014–2015, 2013–2014, 2012–2013, 2011–2012)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2019–2021)
  • · Лучший преподаватель — 2020, 2016, 2011
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Будущие профессора" (2011–2012)Категория "Новые преподаватели" (2009–2010)

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Идентификаторы исследователя

Публикации (70)

Исследования структуры научного сообщества на основе семантического анализа: выявление и кластеризация центров компетенций и тематик

2019 · CHAPTER · ru

Цель данной работы – выработка нового эффективного подхода к выявлению, оценке и анализу центров компетенций, комбинирующего как традиционные методы, основанные на экспертном анализе, библиометрии, патентном анализе и иных подобных инструментах, так и на анализе больших данных, семантическом анализе и текст- майнинге. Актуальность работы связана с тем, что существующие на данный момент подходы и методическая инструментальная база для выявления и анализа центров компетенций не полны, не отвечают на все вопросы лиц, принимающих решения, или устарели на фоне стремительно развивающихся технологий сбора, хранения и анализа больших данных.

PDF ↗

Consolidated mathematical growth model of the primary tumor and secondary distant metastases of breast cancer (CoMPaS)

2018 · ARTICLE · en

The goal of this research is to improve the accuracy of predicting the breast cancer (BC) pro- cess using the original mathematical model referred to as CoMPaS. The CoMPaS is the original mathematical model and the corresponding software built by modelling the natural history of the primary tumor (PT) and secondary distant metastases (MTS), it reflects the relations between the PT and MTS. The CoMPaS is based on an exponential growth model and consists of a system of determinate nonlinear and linear equations and corresponds to the TNM classification. It allows us to calculate the different growth periods of PT and MTS: 1) a non-visible period for PT, 2) a non-visible period for MTS, and 3) a visible period for MTS. The CoMPaS has been validated using 10-year and 15-year survival clinical data con- sidering tumor stage and PT diameter. The following are calculated by CoMPaS: 1) the number of doublings for the non-visible and visible growth periods of MTS and 2) the tumor volume doubling time (days) for the non-visible and visible growth periods of MTS. The diameters of the PT and secondary distant MTS increased simultaneously. In other words, the non-visible growth period of the secondary distant MTS shrinks, leading to a decrease of the survival of patients with breast cancer. The CoMPaS correctly describes the growth of the PT for patients at the T1aN0M0, T1bN0M0, T1cN0M0, T2N0M0 and T3N0M0 stages, who does not have MTS in the lymph nodes (N0). Additionally, the CoMPaS helps to con- sider the appearance and evolution period of secondary distant MTS (M1). The CoMPaS correctly describes the growth period of PT corresponding to BC classification (parameter T), the growth period of secondary distant MTS and the 10-15-year survival of BC patients considering the BC stage (parameter M).

DOI ↗ PDF ↗

New Reality in Clinical Informatics and Explanation-oriented Methods of Data Analysis

2018 · CHAPTER · en

Clinical informatics has been undergoing radical transformation. What are the causes and the drivers of this transformation? Which task can be solved well, and which cannot? How we should implement data analysis in clinical informatics projects in new reality? What is an importance of interpretability (comprehensibility) and explanation of data analysis methods in clinical informatics? At the workshop, we will try to answer some of such questions and setup a framework for later discussion.

DOI ↗ PDF ↗

Критерии отклонения распределения случайных величин от нормального в математическом обеспечении программных систем поддержки измерений в образовании

2018 · ARTICLE · ru

В статье обсуждается задача проверки гипотез о типе распределения данных, получаемых при измерениях в образовании, в программных системах. Приведён обзор критериев проверки нормальности, имеющие дискретные аппроксимации, что делает их пригодными для реализации в программных системах. Обсуждается место и необходимость применения указанных критериев при автоматизации измерений в образовании. Результаты обзора положены в основу алгоритма подбора критерия или группы критериев в программной системе, ориентированной на измерения в образовании

DOI ↗ PDF ↗

On mind maps evaluation: a case of an automatic grader development

2018 · CHAPTER · en

Nowadays, mind mapping is a rather popular educational technique. Moreover, mind maps became a part of modern educational trends like blended learning and computer-supported collaborative learning. Lots of mind mapping software tools are adopted to teaching and learning routines such as educational content delivery or assessment. This paper focuses on the additional automatic evaluation of digital educational mind maps gained from the existing procedures of assessments. The review of automatic graders which support the evaluation process demonstrated that some systematical work is done in automation grading by comparing students’ mind maps with a template. But lots of questions about automatic mind maps’ scoring by retrieving the data from a scored mind map are still open. This paper introduces the automatic grader for educational mind maps (AGEMM) which acts like a teacher’s assistant and calculates several quantitative metrics. The AGEMM is implemented as a web-service and interacted with digital mind maps prepared in the Coggle web-service through its API. The AGEMM is adopted to the Scientific Research Seminar of “Marketing” bachelor program in National Research University Higher School of Economics (Perm). Results demonstrate that scores from the AGEMM may be transformed to scales or criterial levels which are used to evaluation. Moreover, the AGEMM application revealed several problems and shew lines of development which we discuss in the paper.

DOI ↗

On consolidated predictive model of the natural history of breast cancer considering primary tumour and distant metastases growth

2017 · CHAPTER · en

PRIMARY THERAPY OF EARLY BREAST CANCER Evidence, Controversies, Consensus 15th St.Gallen International Breast Cancer Conference Vienna, Austria, 15–18 March 2017

DOI ↗

On Consolidated Predictive Model of the Natural History of Breast Cancer: Primary Tumor and Secondary Metastases in Patients with Lymph Nodes Metastases

2017 · CHAPTER · en

This paper is devoted to mathematical modelling of the progression and stages of breast cancer. The Consolidated mathematical growth Model of primary tumor (PT) and secondary distant metastases (MTS) in patients with lymph nodes MTS (Stage III) (CoM-III) is proposed as a new research tool. The CoM-III rests on an exponential tumor growth model and consists of a system of determinate nonlinear and linear equations. The CoM-III describes correctly primary tumor growth (parameter T) and distant metastases growth (parameter M, parameter N). The CoM-III model and predictive software: a) detect di erent growth periods of primary tumor and distant metastases in patients with lymph nodes MTS; b) make forecast of the period of the distant metastases appearance in patients with lymph nodes MTS; c) have higher average prediction accuracy than the other tools; d) can improve forecasts on survival of breast cancer and facilitate optimisation of diagnostic tests. The CoM-III enables us, for the rst time, to predict the whole natural history of PT and secondary distant MTS growth of patients with/without lymph nodes MTS on each stage relying only on PT sizes.

DOI ↗

On Consolidated Predictive Model of the Natural History of Breast Cancer Considering Primary Tumor and Primary Distant Metastases Growth

2017 · CHAPTER · en

We propose a new mathematical growth model of primary tumor and primary metastases which may help to improve predicting accuracy of breast cancer process using an original mathematical model referred to CoM-IV and corresponding software. The CoM-IV model and predictive software: a) detect different growth periods of primary tumor and primary metastases; b) make forecast of patient survival; c) have higher average prediction accuracy than the other tools; d) can improve forecasts on survival of BC and facilitate optimisation of diagnostic tests. The CoM-IV enables us, for the first time, to predict the whole natural history of primary tumor and primary metastases growth on each stage (pT1, pT2, pT3, pT4) considering only on primary tumor sizes. Summarising: CoM-IV a) describes correctly primary tumor and primary distant metastases growth of IV (T1-4N0-3M1) stage with (N1-3) or without regional metastases in lymph nodes (N0); b) facilitates the understanding of the appearance period and manifestation of primary metastases.

DOI ↗

Концептуальные и логические модели для распределённых программных систем поддержки контрольно-измерительных мероприятий

2017 · ARTICLE · ru

В статье рассмотрены подходы, модели и методы проектирования и реализации программных средств поддержки измерений в образовании как части комплексных систем поддержки учебного процесса. Основным результатом является формализация понятия контрольно-измерительного материала, его жизненного цикла и смежных понятий с технической точки зрения на современном этапе развития программной инженерии. Формализация проведена на концептуальном уровне с обсуждением некоторых вопросов реализации и обеспечения интероперабельности систем учебного назначения.

DOI ↗ PDF ↗

On MOOCs Quality Estimation : a Case of Modern Nonparametric Superiority and Noninferiority Statistical Tests

2017 · CHAPTER · en

Appearance and spreading of massive online open courses (MOOC) start the era of restructuration of the modern-day education. The questions of quality assurance and integration MOOCs with traditional educational processes are quite popular. Even though quality assurance is richly studied area now, a question of how to estimate a change of quality of a repeated course with modifications in its content is still open. The paper reports on the in-progress investigation that introduces dynamic course quality (DCQ) concept and settles a matter of its evaluation by adoption statistical framework of randomized controlled trials to educational data gained from the Stepik MOOC platform. Nowadays, the framework has been adopted to the Introductory Statistics course. Limitations of a method have been reported, requirements for educational data sources have been elaborated.

DOI ↗

Курсы (10)