Uczenie maszynowe
w analityce
blockchain
Nie każdy kurs jest dla każdego. Ten jest zbudowany dla osób, które już wiedzą, czego szukają - i chcą zrozumieć, jak modele predykcyjne działają na danych łańcucha bloków.
Wykłady prowadzone są sekwencyjnie. Każde zagadnienie wynika z poprzedniego, bez skrótów i bez wypełniaczy. Nauka odbywa się we własnym tempie, bez presji harmonogramu.
Program wykładówSkąd biorą się wyniki - podejście, nie lista funkcji
Większość kursów o blockchain skupia się na mechanice kryptowalut albo na podstawach sieci. Tutaj punkt wyjścia jest inny: dane transakcyjne jako surowiec, a modele klasyfikacji i regresji jako narzędzia do wyciągania z nich sensu.
Wykłady są ułożone tak, żeby każdy etap budował na poprzednim. Zanim pojawi się temat wykrywania anomalii w transakcjach, słuchacz przechodzi przez analizę grafową sieci blockchain i zrozumienie struktury UTXO. Kolejność ma znaczenie.
Materiał opiera się na rzeczywistych zbiorach danych - publicznych rejestrach Ethereum i Bitcoin - nie na syntetycznych przykładach. Oznacza to, że problemy, które się pojawiają, są autentyczne: niekompletne dane, szum, skrajne wartości.
Analiza grafowa sieci
Transakcje blockchain to naturalny graf skierowany. Wykłady pokazują, jak stosować algorytmy PageRank i wykrywania społeczności do identyfikacji klastrów adresów.
Modele predykcyjne na danych łańcucha
Od regresji logistycznej po gradient boosting - każdy model jest testowany na konkretnym problemie: klasyfikacja adresów, przewidywanie opłat, wykrywanie wzorców prania.
Tempo dostosowane do uczącego
Każdy wykład jest nagrany i dostępny bez ograniczeń czasowych. Słuchacz może wracać do materiału tyle razy, ile potrzebuje - bez presji sesji na żywo.
Weryfikacja przez zadania praktyczne
Po każdym module pojawia się zestaw zadań opartych na publicznych danych. Nie ma testów wyboru - tylko analiza i interpretacja wyników własnoręcznie uruchomionego modelu.
Kto tu pasuje - i kto nie
Dla kogo ten materiał ma sens
- Analityk danych z doświadczeniem w Pythonie, który chce wejść w domenę blockchain bez kursów od zera
- Programista pracujący przy projektach Web3, który chce rozumieć, co kryje się za danymi on-chain
- Badacz lub student kierunków ilościowych szukający konkretnego zastosowania ML poza klasycznymi zbiorami
- Osoba pracująca zdalnie, która uczy się wieczorami i potrzebuje materiału, który można zatrzymać i wrócić
Kiedy ten kurs nie jest właściwym wyborem
- Brak podstaw statystyki lub algebry liniowej - wykłady nie tłumaczą tych pojęć od podstaw
- Oczekiwanie gotowych skryptów do skopiowania bez potrzeby rozumienia, co robią
- Zainteresowanie wyłącznie aspektem inwestycyjnym lub spekulacyjnym kryptowalut
- Potrzeba certyfikatu ukończenia w krótkim terminie - materiał wymaga czasu na przyswojenie
Co mówią osoby, które przeszły przez materiał
„Zacząłem od modułu o analizie grafowej, bo to był mój największy problem w poprzedniej pracy. Nie spodziewałem się, że materiał będzie tak konkretny - żadnych ogólników, tylko dane i kod."
Wcześniej: programista backendowy bez doświadczenia w ML
Teraz: pracuje przy projekcie audytu smart kontraktów z użyciem modeli klasyfikacji
Tomasz Wrębiak„Uczyłam się wieczorami po pracy. Tempo było moje - nikt nie czekał, nikt nie gonił. Moduł o wykrywaniu anomalii zajął mi trzy tygodnie zamiast jednego, ale go rozumiem."
Wcześniej: analityczka finansowa bez znajomości blockchain
Teraz: prowadzi wewnętrzne analizy danych on-chain dla firmy z sektora compliance
Agnieszka Florczak„Byłem sceptyczny wobec kursów online - zwykle są albo za płytkie, albo zakładają, że masz cały dzień. Tu materiał jest podzielony sensownie. Wróciłem do modułu o UTXO cztery razy i za każdym razem wyciągnąłem coś nowego."
Wcześniej: doktorant matematyki stosowanej bez praktyki w blockchain
Teraz: prowadzi badania nad metodami deanonimizacji sieci transakcyjnych
Radosław Kępka„Nie szukałam kursu z certyfikatem. Szukałam czegoś, co faktycznie zmieni to, jak myślę o danych. To zrobiło różnicę - nie natychmiast, ale po kilku tygodniach pracy z materiałem."
Wcześniej: data scientist pracująca na danych e-commerce
Teraz: buduje modele scoringowe dla platformy analizującej DeFi
Marta Ziębowicz