Patronen lezen
in blockchain
met ML
Een praktijkgericht platform voor wie analytische modellen wil bouwen op gedistribueerde data - geen theorie zonder context, geen oefening zonder doel.
Wat blijft na het leren
Kennis die niet in de praktijk is getest, verdwijnt snel. Vaardigheden die je hebt toegepast op echte datasets, blijven.
Deelnemers vertrekken met werkende modellen, gedocumenteerde beslissingen en een analytisch kader dat overdraagbaar is naar nieuwe projecten. Het gaat niet om het certificaat - het gaat om wat je daarna kunt doen.
Blockchain-data is persistent en verifieerbaar. Modellen die je hier traint, kun je reproduceren, uitleggen en verbeteren. Dat maakt het verschil met leeromgevingen die werken met gesimuleerde of vereenvoudigde datasets.
Wat het platform biedt
Een selectie van de onderdelen die deelnemers het meest direct vooruithelpen - niet alles wat er is, maar wat er toe doet.
Stapsgewijze werkopdrachten
Elke opdracht is opgebouwd rond een concreet analyseprobleem: van ruwe blockchain-transactiedata naar een getraind classificatiemodel. Tussenstappen worden begeleid, maar beslissingen neem je zelf.
Meer over het programma
Interactieve oefeningen
Korte, gerichte oefeningen die je begrip van anomaliedetectie, clusteringmethoden en feature-engineering direct toetsen aan echte data-uitdagingen.
Bekijk oefeningenSamenwerking in groepen
Groepsopdrachten waarbij deelnemers modellen vergelijken, elkaars aanpak becommentariëren en gezamenlijk een analyserapport opstellen.
Waarom dit werktWaar de meeste mensen nu staan - en waar dit naartoe leidt
Veel mensen die blockchain-data willen analyseren, kennen de theorie van machine learning al gedeeltelijk. Het probleem zit in de verbinding.
Blockchain-data gedraagt zich anders dan standaard tabellaire datasets. Transacties zijn gelinkt, tijdgestempeld en onveranderlijk. Modellen die je elders hebt geleerd, werken hier niet zonder aanpassing. Dat is precies de kloof die dit platform overbrugt.
Na afloop weet je hoe je graafstructuren verwerkt, hoe je tijdreekspatronen herkent in transactievolumes en hoe je een model valideert op data die je niet zelf hebt gecleand.
Ervaringen die herkenbaar zijn
"Ik had al twee online ML-cursussen gevolgd, maar als ik een echte blockchain-dataset voor me had, wist ik niet waar te beginnen. De werkopdrachten hier dwongen me om keuzes te maken en die keuzes te verdedigen. Dat is wat ik miste."
Tomas Vreeken
Data-analist, financiële sector
"Ik verwachtte een cursus met video's en quizzen. In plaats daarvan kreeg ik een ruwe dataset van Ethereum-transacties en de opdracht om afwijkend gedrag te detecteren. De eerste dag was overweldigend. De derde dag begon het te klikken."
Ines Dujardin
Software-ingenieur, reconversie naar data science
De twijfel die de meeste bezoekers meebrengen
"Ik weet niet of mijn achtergrond goed genoeg is voor dit soort analyse."
Dat is de meest gehoorde zin - en tegelijk de meest onterechte. Het programma is niet ontworpen voor mensen die al alles weten. Het is ontworpen voor mensen die bereid zijn te werken met wat ze niet begrijpen, totdat het duidelijk wordt.
Basiskennis van Python en statistiek is voldoende om te starten. Blockchain-specifieke kennis bouw je op gedurende het programma, niet als voorwaarde ervoor.
Geen blockchain-ervaring vereist. De datasets worden stap voor stap geïntroduceerd, met uitleg over de structuur en betekenis van de velden.
Tempo is flexibel. Opdrachten hebben geen vaste deadline - je werkt door wanneer het past, en de groepssessies zijn opgenomen voor wie ze mist.
Resultaten zijn niet gegarandeerd. Wat je eruit haalt, hangt af van wat je erin steekt - maar de structuur is er om je zo ver mogelijk te brengen.
Python kunt schrijven op basisniveau, weet wat een gemiddelde en standaarddeviatie zijn, en bereid bent om met onopgeruimde, echte data te werken zonder dat iemand de antwoorden voor je klaarlegt.
Op de vergelijkingspagina staan de opties naast elkaar, zodat je zelf kunt bepalen wat het beste bij je situatie past.