Оренбургский государственный университет

Хохлов Иван Артурович

Расписание преподавателя

Профессиональная переподготовка

• Разработчик веб-приложений (2023)

Повышение квалификации (за последние три года)

• Введение в генеративный искусственный интеллект (2024)
• Действия работников при террористической угрозе на объектах и территориях университета (2024)
• Основы работы с большими языковыми моделями (2024)
• Разработка серверной части приложений PostgreSQL. Базовый курс (2024)
• Формирование педагогических компетенций преподавателей университета (2024)
• Применение технологии искусственного интеллекта в образовательном процессе и научных исследованиях (2025)

Преподаваемые дисциплины (за последние три учебных года)

• Анализ данных
• Дифференциальные уравнения и уравнения с частными производными
• Интеллектуальный анализ данных и визуализация
• Математические основы искусственного интеллекта
• Правовые основы прикладной информатики в экономике
• Системы искусственного интеллекта
• Статистический анализ данных
• Технологии машинного обучения

Образовательные программы, в реализации которых участвует преподаватель (в текущем учебном году)

• 01.03.02 Прикладная математика и информатика (Прикладное программирование и корпоративные информационные системы), бакалавриат, очная форма (2023)
• 05.03.02 География (Организация международного и внутреннего туризма), бакалавриат, очная форма (2024)
• 05.03.06 Экология и природопользование (Экология), бакалавриат, очная форма (2024)
• 07.03.01 Архитектура (Архитектура), бакалавриат, очная форма (2023)
• 07.03.03 Дизайн архитектурной среды (Дизайн архитектурной среды), бакалавриат, очная форма (2023)
• 09.03.01 Информатика и вычислительная техника (Системы автоматизированного проектирования), бакалавриат, очная форма (2024)
• 09.03.03 Прикладная информатика (Прикладная информатика в экономике), бакалавриат, очная форма (2025)
• 15.03.01 Машиностроение (Оборудование и технология повышения износостойкости и восстановление деталей машин и аппаратов), бакалавриат, очная форма (2024)
• 15.03.04 Автоматизация технологических процессов и производств (Системы автоматизации технологических процессов и производств), бакалавриат, очная форма (2024)
• 15.03.05 Конструкторско-технологическое обеспечение машиностроительных производств (Технология машиностроения), бакалавриат, очная форма (2024)
• 15.03.06 Мехатроника и робототехника (Мехатроника), бакалавриат, очная форма (2024)
• 20.03.01 Техносферная безопасность (Безопасность жизнедеятельности и охрана труда), бакалавриат, очная форма (2024)
• 20.03.01 Техносферная безопасность (Промышленная безопасность и производственный контроль), бакалавриат, очная форма (2024)
• 21.03.02 Землеустройство и кадастры (Кадастр застроенных территорий), бакалавриат, заочная форма (2024)
• 38.03.04 Государственное и муниципальное управление (Государственная и муниципальная служба), бакалавриат, очная форма (2024)
• 38.05.01 Экономическая безопасность (Учет, анализ и контроль в организациях государственного сектора), специалитет, очная форма (2024)
• 38.05.02 Таможенное дело (Внешнеэкономическая деятельность), специалитет, очная форма (2024)
• 42.03.01 Реклама и связи с общественностью (Реклама и связи с общественностью в информационном обществе), бакалавриат, очная форма (2024)
• 43.03.01 Сервис (Социально-культурный сервис), бакалавриат, очная форма (2024)
• 43.03.02 Туризм (Технология и организация туроператорских и турагентских услуг), бакалавриат, очная форма (2024)

Публикации преподавателя

1. Machine Learning Prediction Models of Beneficial and Toxicological Effects of Zinc Oxide Nanoparticles in Rat Feed [Электронный ресурс] / L. Legashev, I. Khokhlov, I. Bolodurina, A. Shukhman, S. Kolesnik // Machine Learning and Knowledge Extraction,2025. - Vol. 91, Iss. 7. - P. 1-28. . - 28 с. Nanoparticles have found widespread application across diverse fields, including agriculture and animal husbandry. However, a persistent challenge in laboratory-based studies involving nanoparticle exposure is the limited availability of experimental data, which constrains the robustness and generalizability of findings. This study presents a comprehensive analysis of the impact of zinc oxide nanoparticles (ZnO NPs) in feed on elemental homeostasis in male Wistar rats.
   Электронный источник
2. Хохлов, И. А. Исследование генеративных методов машинного обучения для построения моделей на малых выборках [Электронный ресурс] : выпускная квалификационная работа: направление подготовки 01.04.02 Прикладная математика и иформатика / И. А. Хохлов. - Оренбург, 2025. - 60 с.
   Электронный источник
3. Комплекс моделей предиктивной аналитики показателей элементного гомеостаза крыс в зависимости от концентрации наночастиц оксида цинка в корме [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2025669934 / Л. В. Легашев, И. А. Хохлов, И. П. Болодурина, А. Е. Шухман, С. В. Колесник; правообладатель Оренбург. гос. ун-т.- № 2025668491заявл. 24.06.2025опубл. 31.07.2025, 2025. - 1 с.
   Электронный источник
4. Программный комплекс предобработки и анализа данных элементного гомеостаза крыс и расчета оптимальных дозировок наночастиц в корме [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2025669704 / И. А. Хохлов, Л. В. Легашев, И. П. Болодурина, А. Е. Шухман, С. В. Колесник; правообладатель Оренбург. гос. ун-т.- № 2025668489заявл. 24.06.2025опубл. 29.07.2025, 2025. - 1 с.
   Электронный источник
5. Prediction of Dynamic Toxicity of Nanoparticles Using Machine Learning [Электронный ресурс] / I. Khokhlov, L. Legashev, I. Bolodurina, A. Shukhman, D. Shoshin, S. Kolesnik // Toxics,2024. - Vol. 12, Iss. 10. - P. 750. . - 22 с. In this article, we performed a comparative analysis of the current state of research in the field of nanoparticle toxicity analysis using machine learning methods; we trained a regression model for predicting the quantitative toxicity of nanoparticles depending on their concentration in the nutrient solution at a fixed point in time with the achieved metrics values of MSE = 2.19 and RMSE = 1.48; we trained a multi-class classification model for predicting the toxicity class of nanoparticles depending on their concentration in the nutrient solution at a fixed point in time with the achieved metrics values of Accuracy = 0.9756, Recall = 0.9623, F1-Score = 0.9640, and Log Loss = 0.1855.
   Электронный источник
6. База данных экспериментальных исследований биологической активности и токсичности ультрадисперсных частиц [Электронный ресурс] : свидетельство о гос. регистрации базы данных 2024625162 / А. Е. Шухман, И. П. Болодурина, И. А. Хохлов, С. В. Колесник; правообладатель Оренбург. гос. ун-т.- № 2024624976заявл. 06.11.2024опубл. 14.11.2024, 2024. - 1 с.
   Электронный источник
7. Комплекс моделей машинного обучения для прогнозирования токсичности наночастиц [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2024684086 / И. А. Хохлов, И. П. Болодурина, А. Е. Шухман, С. В. Колесник; правообладатель Оренбург. гос. ун-т.- № 2024681346заявл. 17.09.2024опубл. 14.10.2024, 2024. - 1 с.
   Электронный источник
8. Болодурина, И. П. Перспективы применения генеративных методов машинного обучения [Электронный ресурс] / И. П. Болодурина, И. А. Хохлов // Университетский комплекс как региональный центр образования, науки и культуры : сб. материалов Всерос. науч.-метод. конф., Оренбург, 1-3 февр. 2024 г. / Оренбург. гос. ун-т ; ред. А. В. Зайцев. - Оренбург : ОГУ,2024. - . - С. 1688-1692. . - 5 с.
   Электронный источник
9. Программное средство для идентификации болезней сельскохозяйственных культур, вызванных плесневыми грибами "Агролаб" [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2024669828 / П. Л. Нирян, И. А. Хохлов, Е. С. Алешина; правообладатель ООО "Агролаб".- № 2024668540заявл. 07.09.2024опубл. 21.09.2024, 2024. - 1 с.
   Электронный источник
10. Программное средство по автоматическому подсчету колониеобразующих единиц в микробиологической практике "КОЕ" [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2024682704 / П. Л. Нирян, И. А. Хохлов, Е. С. Алешина; правообладатель ООО "КОЕ".- № 2024680471заявл. 04.09.2024опубл. 26.09.2024, 2024. - 1 с.
    Электронный источник
11. Болодурина, И. П. Исследование и создание интеллектуальной системы вопросно-ответной архитектуры целевой ориентации, основанной на методах глубокого обучения [Электронный ресурс] / И. П. Болодурина, И. А. Хохлов, Л. С. Гришина // Научно-технический вестник Поволжья,2023. - № 11. - С. 154-158. . - 5 с. Статья посвящена построению интеллектуальной автоматизированной вопросно-ответной системы для узкоспециализированных задач методами глубокого обучения с использованием реальных диалогов пользователей без определенной тематики, а также клиентов с сотрудниками колл-центра. Целью исследования является обзор классических архитектур моделей языковых интеллектуальных систем, построение и выбор наиболее адекватной из них. По итогу выполненной работы разработана вопросно-ответная система, выдающая адекватные ответы на вопросы пользователя, что является экономически выгодным решением для компании и удобным агентом для пользователя.
    Электронный источник
12. Исследование подходов к распознаванию именованных сущностей в русскоязычном тексте [Электронный ресурс] / И. П. Болодурина, И. А. Хохлов, Л. С. Гришина, А. Ю. Жигалов // Университетский комплекс как региональный центр образования, науки и культуры : сб. материалов Всерос. науч.-метод. конф., Оренбург, 26-27 янв. 2023 г. / Оренбург. гос. ун-т ; ред. А. В. Пыхтин. - Оренбург : ОГУ,2023. - . - С. 1252-1257. . - 6 с.
    Электронный источник
13. Применение алгоритма нечеткой логики Мамдани для оценки качества моделей искусственного интеллекта на основе имеющихся данных [Электронный ресурс] / С. Т. Дусакаева, М. П. Носарев, И. А. Хохлов, П. Л. Нирян // Современные технологии. Системный анализ. Моделирование,2023. - № 1 (77). - С. 170-180. . - 11 с. В статье рассмотрена актуальная проблема трудоемкости и высокой стоимости разработки систем или моделей искусственного интеллекта в связи с низким качеством используемых данных. Изучены виды и направления корреляционной связи между различными метриками качества данных и точности работы итоговой модели искусственного интеллекта. Отмечено, что в современном мире наблюдается проникновение искусственного интеллекта практически во все области человеческой деятельности: здравоохранение, агропродовольственная сфера, промышленность, творческие направления. Обоснована актуальность поставленной проблемы и проведен краткий обзор современных исследований, связанных с изучением взаимокорреляции качества данных и точности искусственного интеллекта. Указано, что плохие данные приводят к значительным финансовым потерям, повышают трудоемкость разработки систем или моделей искусственного интеллекта.
    Электронный источник
14. Хохлов, И. А. Разработка интеллектуальной вопросно-ответной системы для целеориентированных диалогов на основе методов глубокого обучения [Электронный ресурс] : выпускная квалификационная работа: направление подготовки 01.03.02 Прикладная математика и информатика / И. А. Хохлов. - Оренбург, 2023. - 53 с.
    Электронный источник
15. Разработка рекомендательной системы для поиска оптимального месторасположения парка в городской среде [Электронный ресурс] / С. Т. Дусакаева, П. Л. Нирян, М. П. Носарев, И. А. Хохлов // Информационные технологии и математическое моделирование в управлении сложными системами,2023. - № 1 (17). - С. 49-57. . - 9 с. В статье рассмотрена актуальная проблема выбора наиболее оптимального местонахождения и наполняемости парка в городской среде.
    Электронный источник
16. Система поддержки принятия врачебных решений описания снимка оптической когерентной томографии при динамическом наблюдении пациентов с патологией заднего отрезка глаза [Электронный ресурс] : свидетельство о гос. регистрации программы для ЭВМ 2023669676 / А. Д. Чупров, И. П. Болодурина, А. О. Лосицкий, А. Ю. Жигалов, Л. С. Гришина, П. Л. Нирян, И. А. Хохлов; правообладатели А. Д. Чупров, И. П. Болодурина, А. О. Лосицкий, А. Ю. Жигалов.- № 2023664812заявл. 11.07.2023опубл. 19.09.2023, 2023. - 1 с.
    Электронный источник
17. Применение алгоритма нечеткой логики Мамдани для отбора игроков в футбольный клуб на предсезонных сборах [Электронный ресурс] / С. Т. Дусакаева, И. А. Хохлов, П. Л. Нирян, М. П. Носарев // Современные технологии. Системный анализ. Моделирование,2022. - № 1 (76). - С. 228-237. . - 10 с. В статье рассматриваются вопросы отбора игроков в футбольную команду в контексте решения актуальной проблемы подбора профессионального персонала в организации и на предприятия. Актуальность указанной проблемы обусловлена нестабильной политической обстановкой в мире, экономическими реформами и социальной адаптацией дипломированных специалистов
    Электронный источник

Сведения об образовании, ученых степенях, званиях, стаже работы, профессиональной переподготовке, повышении квалификации, читаемых дисциплинах и публикациях — из базы данных ИАС ОГУ