Machine Learning · Blockchain · KYC/AML · 5 notebooks + bonus
Détection de fraude Blockchain
Abordez la détection de fraude comme un véritable problème de données : comprendre les transactions, décrire les wallets, exploiter les liens du graphe puis évaluer un modèle malgré la rareté des cas illicites.
PythonPandasNetworkXXGBoost
Gratuit · Sans compte·Avancé·~3h
Ce que vous allez construire
- ✓Un pipeline complet qui transforme des transactions blockchain en un score de risque par wallet
- ✓Des indicateurs comportementaux capables de résumer l'activité d'une adresse et d'isoler les bots
- ✓Une lecture des transactions comme un graphe pour mesurer la proximité avec des wallets illicites connus
- ✓Une comparaison rigoureuse entre une baseline linéaire et XGBoost malgré un fort déséquilibre des classes
Les notebooks du lab
01
Comprendre les données transactionnelles
Explorer montants, temporalité, labels disponibles et premières structures du réseau de transferts.
02
Décrire le comportement des wallets
Agréger les transactions, comparer plusieurs fenêtres temporelles et repérer les activités automatisées.
03
Raisonner sur le graphe
Calculer la distance aux wallets illicites connus et étudier l'effet du filtrage des bots sur la propagation.
04
Modéliser un problème déséquilibré
Effectuer une séparation temporelle, établir une baseline puis comparer les modèles avec des métriques adaptées.
05
Consolider et scorer
Rejouer le pipeline de bout en bout et produire un score pour les wallets qui ne sont pas encore labellisés.
06
Envisager le passage au temps réel
Découvrir Kafka, Spark Streaming et la propagation incrémentale à travers une architecture et des simulations.
Compétences travaillées
- · Analyse de données transactionnelles
- · Construction d'indicateurs par entité
- · Analyse et parcours de graphes
- · Gestion du déséquilibre des classes
- · Comparaison d'une baseline et d'un modèle avancé
- · Évaluation par courbes précision-rappel et ROC
Prérequis
- · Python intermédiaire (Pandas, boucles, fonctions)
- · Notions de machine learning supervisé
- · Aucune installation : lab en ligne