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)

The PASCA: A Mail Based Randomized Blinded Peer Assessment System for Complex Artifact

2016 · ARTICLE · en

Active learning and formative assessment techniques are the cutting edge of the modern education. This paper considers peer assessment automation and touches the topic of high actuality in advancing ICT for active learning. The roots of the study are obtained difficulties in adoption of the currently available peer assessment systems to engineering education introductory courses. The main goal of the paper is to collect software requirements and to build a peer assessment system, which may be easily agreed with standard educational routines (e.g. e-mailing) and which is be able to support complex artifacts interchange during a peer assessment session. The software requirements specification (SRS) for such a system has been created as a result of reviewing educational studies, technical reports and academic publications on common peer assessment processes and existing peer assessment systems. We also introduce the open source Mail-based Randomized Double-Blinded Peer-assessment System for Complex Artifacts called PASCA, which is developed according to this SRS and the results of PASCA adoption to an introductory programming course.

DOI ↗ PDF ↗

Объединенная математическая модель роста первичной опухоли и первичных метастазов рака молочной железы (IV стадия РМЖ)

2016 в печати · CHAPTER · ru

Работа посвящена математическому моделированию развития опухолевого процесса рака молочной железы (РМЖ). Предложена новая «объединенная математическая модель роста первичной опухоли и первичных метастазов РМЖ» («Consolidated mathematical growth Model of the IV stage of the breast cancer», сокр. CoMIV), основанная на «объединенной модели роста первичной опухоли и вторичных отдаленных метастазов РМЖ» («Consolidated mathematical growth Model of the Primary tumor and the Secondary distant metastases», сокр. CoMPaS). CoMIV корректно описывает как рост первичной опухоли (вписывается в классификацию РМЖ по критерию Т), так и критерий М1 – IV стадия, то есть рост первичных отдаленных метастазов. Предложенная модель и реализующее программное средство описывают опухолевый процесс на IV стадии и повышают точность прогнозирования развития РМЖ.

PDF ↗

Unified External Data Access Implementation in Formal Concept Analysis Research Toolbox

2016 · CHAPTER · en

Formal Concept Analysis (FCA) provides mathematical models, methods and algorithms for data analysis. However, by now there is no easily available program system, which would provide data analyst with unified, intelligible and transparent access to various external data sources with large amount of heterogeneous data for subsequent FCA-based knowledge discovery. The lack of such tools complicates spreading FCA methods among big data analysts and miners of unstructured data. In this paper, we describe advances and new functionality in external data querying and preprocessing subsystems of Formal Concept Analysis Research Toolbox (FCART), which helps processing data of different types in a unified way.

PDF ↗

Bayesian Learning of Consumer Preferences for Residential Demand Response

2016 · ARTICLE · en

Статья посвящена моделированию поведения пользователя хлебопечки как устройства умного дома. На основании реальных цен на электричество и симуляции поведения пользователя требуется предложить математическую модель и алгоритм машинного обучения для оптимального по соотношению цен и полезности для пользователя автоматического запуска устройства. Мы предлагаем Баейсовский алгоритм машинного обучения для обучения предпочтениям пользователя с учетом предудыщих запусков. В работе демонстрируются результаты экспериментов, в частности, превосходство поедлагаемого алгоритма над популярной реализацией градиентого бустинга, XGBoost. Подход может быть перенесен и на другие бытовые приборы, такие как системы обогрева и кондиционирования.

DOI ↗ PDF ↗

On business processes of computer-supported collaborative learning: A case of peer assessment system development

2016 · ARTICLE · en

Взаимное оценивание – важная часть большинства современных учебных технологий. Внимание к этому методу постоянно растет, причем не только как к варианту процедуры оценивания, но и как к процедуре получения информативной обратной связи и технике развития важнейших системных компетенций. Отметим, что большинство практиков отмечают высокую сложность и ресурсоемкость внедрения и использования взаимного оценивания. Бесспорно, что подходящее программное обеспечение, автоматизирующее процессы взаимного оценивания, может существенно упростить внедрение и повысить эффективность этих процессов. Обзор литературы и существующих программных решений позволяет выявить несколько «узких мест» в функциональности и взаимодействии с пользователем. Во-первых, большинство систем являются независимо развертываемыми web-службами, что расширяет набор инструментов преподавателей и, что более важно, обучаемых. Также это требует отдельных технологических цепочек для поддержки процессов взаимного оценивания и затрудняет интеграцию бизнес-процессов. Во-вторых, авторами не обнаружено доступной бесплатной системы, в которой можно оценивать артефакты, отличные от текстового документа. В статье рассматриваются требования к современной системе поддержки взаимного оценивания, которая смогла бы широко использоваться преподавателями. После анализа бизнес-процессов взаимного оценивания авторами была разработана оригинальная программная система, получившая название PASCA (peer assessment system for complex artifacts). Продукт использует привычные сервисы электронной почты и не требует изменения никаких других бизнес-процессов образовательной организации. Он обеспечивает стандартные возможности ослепления и рандомизации, а также имеет несколько важных преимуществ: поддержку оценивания произвольных артефактов, создание сложных оценочных листов с автоматической валидацией и простановкой оценок, простой анализ данных сессий взаимного оценивания.

PDF ↗

Развитие классификации клинических диагнозов в медицинских информационных системах

2015 · ARTICLE · ru

Медицинские информационные системы являются отдельным классом корпоративных информационных систем, специально разрабатываемых для повышения эффективности здравоохранения. Цель внедрения медицинских информационных систем в клинических центрах – комплексное решение задач информационного сопровождения оказания медицинских услуг, с акцентом на формализацию бизнес-процессов в области оказания медицинской помощи, сбор и надежное хранение персональных данных пациентов, оптимальные интерфейсные решения для медицинского персонала, учет лекарственных препаратов и расходных материалов. Основные роли пользователей медицинской информационной системы – руководители клинических подразделений, врачи и медицинские сёстры. В статье рассматривается комплекс проблем работы с клиническими диагнозами в медицинских информационных системах, включая формализацию, эффективность заполнения, проверку корректности и полноты расширенных диагнозов, а также последующий анализ клинических данных с акцентом на отдельных признаках диагноза. Традиционно диагноз представляет собой неструктурированный текст на естественном языке с отдельным присваиванием ему кодов международной классификации болезней или других универсальных классификаторов. Для этого текста существуют стандарты и правила заполнения и изменения, но они практически не формализованы в медицинских информационных системах, что и приводит к вышеперечисленным проблемам. Проведен сравнительный анализ классификаций International Classification of Diseases, Международной классификации болезней с предварительным анализом 11 пересмотра и сопоставление предлагаемых экспертами и реально используемых уточнений наиболее частых заболеваний в области детской онкологии и гематологии. В работе предлагается один из вариантов формализации дополнительной классификации клинических диагнозов, одновременно простой и эффективный, и прототип с описанием шаблонов и схем расширенных диагнозов для некоторых заболеваний в формате JSON, оптимизация интерфейса стандартного поля «диагноз» в медицинских информационных системах. Этот вариант апробирован при развитии медицинских информационных систем в области детской онкологии.

PDF ↗

Объединенная математическая модель рака молочной железы

2015 · CHAPTER · ru

Работа посвящена математическому моделированию развития опухолевого процесса рака молочной железы (РМЖ). Рассмотрены возможности использования классических математических моделей (экспоненциальная, логистическая, модели Гомперца и фон Берталанфи) для описания роста первичной опухоли и вторичных отдаленных метастазов РМЖ. Предложена новая «объединенная математическая модель роста первичной опухоли и вторичных метастазов РМЖ», основанная на модели экспоненциального роста и состоящая из системы детерминированных нелинейных и линейных уравнений. Объединенная математическая модель роста РМЖ корректно описывает как рост первичной опухоли (вписывается в классификацию РМЖ по критерию Т), так и рост вторичных метастазов, а также хорошо согласуется с данными 10-15-летней выживаемости больных РМЖ в зависимости от стадии РМЖ (критерий М). Анализ «скрытого периода» роста вторичных отдаленных метастазов РМЖ помогает понять причину различий 15-летней выживаемости больных РМЖ в зависимости от стадии РМЖ. Предложенная модель и реализующее её программное средство повышает точность прогноза развития РМЖ и позволяет оптимизировать проведение диагностики вторичных отдаленных метастазов

PDF ↗

Blended Learning in Software Engineering Education: the Application Lifecycle Management Experience with Computer-Supported Collaborative Learning

2015 · CHAPTER · en

Software engineering education (SEE) process simulates the main professional software lifecycle processes such as analysis, design, construction and maintenance (see SWEBoK, ITIL, etc.). The necessity of meeting both educational needs and requirements from industry explains that using Supported Collaborative Learning (CSCL) techniques in software engineering (SE) should be based on professional tools or on similar to them. The main purpose of this work is to fill the gap between the SEE needs and the current trends in CSCL development. We generalize world experience and suggest the framework of using industry approved methods and tools. We compare CSCL tools and the other collaborative services; analyze the teaching experience of several SE courses supported by different collaborative methods and collaborative web-services. Special attention is paid to formative feedback implementation. Following achieved result we suppose that using best practices from SE will enrich CSCL methodology and tools not only for SE field, but also for other areas of knowledge.

PDF ↗

Distributed Architecture of Data Analysis System based on Formal Concept Analysis Approach

2015 · CHAPTER · en

This paper describes distributed architecture and data workflow of the analysis system called FCART. Comparing with the similar systems FCART is capable of dealing with various data sources, data preprocessing and interactive analysis, extending functionality by integrating independent web-services and developing plugins. Example of gathering and analyzing data of social networking service is considered.

PDF ↗

Analyzing Social Networks Services Using FormalConcept Analysis Research Toolbox

2015 · CHAPTER · en

Nowadays social data analysts use a complicated mix of languages, methods and technologies for analyzing social networks services (SNS) data. In this article we describe approaches and technologies for extracting, analyzing and visualizing social data using Formal Concept Analysis Research Toolbox (FCART). Integrated process of analyzing SNS data with a set of research tools based on Formal Concept Analysis is considered with examples on datasets from Russian segment of LiveJournal.

PDF ↗

Курсы (10)