Тюкина Татьяна Александровна

Доцент Института когнитивных нейронаук НИУ ВШЭ. Имеет степень PhD Лестерского университета (Великобритания, 2022). Первое образование инженерное: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), специальность «Управление и информатика в технических системах», квалификация «Инженер» (1998). В Высшей школе экономики работает с 2025 года. Владеет английским и японским языками.

Основной период преподавательской карьеры — с 2007 по 2025 год в Школе вычислительных и математических наук Университета Лестера. Там вела курсы «Основы математики» и «Введение в объектно-ориентированное программирование» на программе «Компьютерные науки», «Математические основы искусственного интеллекта и машинного обучения» на программе «Математика с искусственным интеллектом», «Введение в статистику» на программе «Математика», «Эконометрику» на программе «Математика и актуарные науки», а также «Введение в программирование» на MATLAB и Excel; руководила бакалаврскими и магистерскими проектами. В 2025 году читала курс «Теория вероятности и статистическая обработка экспериментальных данных» в Сколтехе.

В НИУ ВШЭ ведёт дисциплины магистратуры Института когнитивных нейронаук. Курс «Интеллектуальный анализ данных» (Data Mining) рассчитан на 6 кредитов и 56 контактных часов и знакомит магистрантов с основными задачами анализа данных — классификацией, кластеризацией, регрессией, снижением размерности — и с ключевыми алгоритмами: методом k ближайших соседей, деревьями решений, k-средними, методом главных компонент, анализом временных рядов. Лекции сопровождаются практическими занятиями с современными библиотеками Python. Курс читается на английском языке и доступен как в составе программы «Когнитивные науки и технологии: от нейрона к познанию», так и в формате «Маго-лего».

Научно-исследовательский семинар «Вычислительные науки» (6 кредитов, второй курс магистратуры) состоит из двух частей. Первая — продвинутый анализ нейрофизиологических данных: студенты разбирают алгоритмические конвейеры обработки ЭЭГ и МЭГ, физические принципы регистрации сигнала, частотно-временной анализ, функциональную связность и статистическую обработку, чтобы понимать смысл настроек, а не работать с пакетами как с «чёрным ящиком». Вторая часть — динамическая теория нейронной активности: теория динамических систем в приложении к нейродинамике, математическое моделирование активности нейронов и методы анализа моделей. Семинар отмечен студентами как лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития».

Научные интересы — анализ данных и искусственный интеллект, математическое моделирование, машинное обучение, прикладная математическая статистика и динамические системы. Долгосрочная линия работ посвящена математическим моделям адаптации: статья «General Laws of Adaptation to Environmental Factors: from Ecological Stress to Financial Crisis» (Mathematical Modelling of Natural Phenomena, 2009), «Correlations, risk and crisis: From physiology to finance» (Physica A, 2010), «Law of the Minimum Paradoxes» (Bulletin of Mathematical Biology, 2011), «Evolution of adaptation mechanisms: Adaptation energy, stress, and oscillating death» (Journal of Theoretical Biology, 2016) и обзор «Dynamic and thermodynamic models of adaptation» в Physics of Life Reviews (2021) с последующим ответом на комментарии «It is useful to analyze correlation graphs» (2022). Второе направление — надёжность систем машинного обучения и нейродинамика. В журнале Information Sciences вышла статья «Coping with AI errors with provable guarantees» (2024), её версия была представлена на International Joint Conference on Neural Networks (IJCNN 2024) под названием «Weakly Supervised Learners for Correction of AI Errors with Provable Performance Guarantees». В 2026 году в журнале Technologies опубликована работа «Overcoming the Curse of Dimensionality with Synolitic AI». К нейродинамике относятся статьи «Simple model of complex dynamics of activity patterns in developing networks of neuronal cultures» (PLOS ONE, 2019) и «Invariant template matching in systems with spatiotemporal coding: A matter of instability» (Neural Networks, 2009).