O nas

2020 Kształcimy analityków BLOCKCHAIN

ryhobyy to platforma edukacyjna z siedzibą w Lublinie, skupiona na jednym konkretnym obszarze: zastosowaniu uczenia maszynowego w analizie danych blockchain. Od początku działalności prowadzimy wykłady online dostosowane do osób uczących się zdalnie, we własnym tempie i środowisku.

Przestrzeń pracy zespołu ryhobyy – analiza danych blockchain

Historia i podejście

Skąd pochodzi RYHOBYY

Projekt powstał z obserwacji konkretnego problemu: narzędzia do analizy blockchain rozwijały się szybko, ale materiałów edukacyjnych w języku polskim brakowało. Pierwsze wykłady były nagrywane w Lublinie i udostępniane bezpłatnie – zainteresowanie przekroczyło oczekiwania.

Program obejmuje tematy od podstaw sieci rozproszonych, przez ekstrakcję danych z węzłów, aż po modele klasyfikacji transakcji i wykrywanie anomalii. Każdy moduł jest oparty na rzeczywistych zbiorach danych, nie na symulacjach.

Wykłady prowadzone są w formie sekwencyjnej – każdy kolejny moduł zakłada znajomość poprzedniego. Takie podejście wymaga od uczestników systematyczności, ale pozwala budować wiedzę w sposób spójny i weryfikowalny.

Tomasz Wierzbicki

Kierownik programu

Zajmuje się projektowaniem struktury kursów i doborem materiałów. Wcześniej pracował jako analityk danych w sektorze finansowym przez osiem lat.

Karolina Dąbrowska

Analityka danych

Opracowuje zestawy danych używane w ćwiczeniach praktycznych. Specjalizuje się w ekstrakcji danych z publicznych węzłów Ethereum i Bitcoina.

Radosław Kwiatkowski

Wykładowca ML

Prowadzi moduły poświęcone modelom klasyfikacji i wykrywaniu anomalii. Doktoryzował się z uczenia maszynowego na Politechnice Lubelskiej.

Program krok po kroku

Jak wygląda nauka w RYHOBYY

Każdy etap ma określony czas trwania i konkretne cele. Poniżej przedstawiamy strukturę programu tak, jak wygląda ona w praktyce.

Podstawy technologii rozproszonych rejestrów

Uczestnik zapoznaje się ze strukturą bloków, mechanizmami konsensusu i sposobem przechowywania transakcji. Moduł nie wymaga wcześniejszej znajomości tematu.

czas trwania3 tyg.

Ekstrakcja i przetwarzanie danych on-chain

Praca z węzłami archiwalnymi, parsowanie surowych danych transakcyjnych, budowanie lokalnych baz danych do dalszej analizy.

czas trwania4 tyg.

Modele klasyfikacji transakcji

Zastosowanie algorytmów nadzorowanego uczenia maszynowego do oznaczania typów transakcji. Praca na rzeczywistych zbiorach danych z sieci publicznych.

czas trwania5 tyg.

Wykrywanie anomalii i wzorców podejrzanych przepływów

Uczestnik buduje własny pipeline do detekcji anomalii, testuje go na historycznych danych i interpretuje wyniki w kontekście analizy ryzyka.

czas trwania6 tyg.