Machine Learning voor Fraudedetectie in Blockchain-netwerken
Verken hoe machine learning-modellen worden ingezet om patronen en anomalieën in blockchaindata te detecteren. Praktijkgericht en direct toepasbaar.
Over dit webinar
Inhoudelijke toelichting bij het programma en de leerdoelen van deze sessie.
Blockchain-transacties zijn openbaar, maar dat maakt ze nog niet eenvoudig te analyseren. Het volume aan on-chain data groeit snel, en handmatige controle schiet tekort bij het opsporen van fraude of manipulatie.
In deze webinar bekijken we hoe supervised en unsupervised leeralgoritmen worden toegepast op transactiegraphen. We werken met concrete voorbeelden: clustering van walletadressen, anomaliedetectie bij DeFi-protocollen, en het labelen van bekende fraudepatronen uit historische datasets.
De nadruk ligt op toepasbaarheid. Welke modellen werken goed bij schaarse gelabelde data? Hoe ga je om met de hoge dimensionaliteit van graph-features? We bespreken tools zoals PyTorch Geometric en NetworkX, en laten zien hoe je een basisdetectiesysteem opzet zonder enorme rekencapaciteit.
Deelnemers krijgen toegang tot een notebook met werkende codevoorbeelden en een geannoteerde dataset van gesimuleerde transacties.
- Geschikt voor data-analisten en blockchain-ontwikkelaars
- Basiskennis Python en ML vereist
- Geen voorkennis van cryptografie nodig
Programma
Een stapsgewijs overzicht van de onderwerpen die aan bod komen tijdens het webinar.
Programma
Deel 1 - Datastructuur en voorbereiding
- Hoe blockchain-transactiedata eruitziet als grafenstructuur
- Feature-extractie uit on-chain data
- Omgaan met ongebalanceerde datasets
Deel 2 - Modelkeuze en training
- Vergelijking: Isolation Forest, Graph Neural Networks, XGBoost
- Labelstrategieën bij beperkte grondwaarheid
- Validatie op tijdreeksdata
Deel 3 - Praktische implementatie
- Live demo in Python met PyTorch Geometric
- Drempelwaarden instellen voor productieomgevingen
- Veelgemaakte fouten en hoe ze te vermijden
Na afloop is er 20 minuten voor vragen. Vragen kunnen ook vooraf worden ingediend via het registratieformulier.