Wykorzystanie algorytmów uczenia maszynowego do wykrywania anomalii w transakcjach kryptowalutowych

Praca magisterska analizuje zastosowanie algorytmów uczenia maszynowego do wykrywania anomalii w transakcjach kryptowalutowych, które mogą świadczyć o działalności przestępczej, co stanowi kluczowe wyzwanie w kontekście dynamicznie rozwijającego się rynku finansów cyfrowych. Zawiera przegląd literatury dotyczącej kryptowalut i uczenia maszynowego, z uwzględnieniem ich rosnącej popularności oraz rozwijających się technik analizy danych. Omówiono kluczowe aspekty technologiczne kryptowalut, takie jak blockchain, zasady generowania i transakcje, a także wyzwania wynikające z ich anonimowości i decentralizacji. W pracy szczególną uwagę poświęcono zagrożeniom cyberprzestępczości, w tym phishingowi, hackingowi giełd, malware oraz praniu pieniędzy. Następnie przedstawiono koncepcje wykrywania anomalii w transakcjach oraz strategie identyfikacji nietypowych wzorców. W ramach badania przeanalizowano zebrany zbiór danych, przetestowano model uczenia maszynowego oraz oceniono jego skuteczność w detekcji nieprawidłowości. Podkreślono, że algorytmy uczenia maszynowego stanowią skuteczne narzędzie w wykrywaniu anomalii w transakcjach kryptowalutowych, oferując wysoki poziom precyzji i adaptacyjności. Zidentyfikowano również obszary wymagające dalszych badań, takie jak integracja metod uczenia maszynowego z innymi technologiami i rozwój kompleksowych systemów ochrony przed cyberprzestępczością w świecie finansów cyfrowych.