Esto sigue siendo un área relativamente inexplorada para mi gusto (¡bueno para estudiantes de posgrado motivados!). Desde lo alto de mi cabeza, algunos conceptos interesantes son:
- Detección de fraude y actividad ilegal.
- Identificar patrones de uso, por ejemplo: ¿la mayoría de las personas compra y mantiene? ¿Usar la moneda como fiat? Se pueden hacer muchas preguntas de investigación a partir de esto y se relacionan con la exploración del comportamiento humano subyacente a las criptomonedas
- Aprenda y mida la robustez del sistema. Por ejemplo, identificar cuándo la red está en riesgo de centralización, o qué tan probable es que se retrasen las transacciones.
- Al igual que encontrar virus usando ML con huellas digitales de aprendizaje, uno podría tratar de desanonimizar a los usuarios y entidades (* solo recomendado para fines de investigación).
También podría intentar predecir el mercado, y tales intentos se han hecho tanto comercialmente como desde una perspectiva de investigación.
- ¿Cómo trata Apache Spark con los datos de registro que se ejecutan en TeraBytes con memoria limitada (por ejemplo, 8 GB)?
- ¿Cómo puedo comenzar a construir un motor de recomendación? ¿Dónde puedo encontrar un conjunto de datos interesante? ¿Con qué herramientas / tecnologías / algoritmos es mejor construir el motor? ¿Cómo verifico la efectividad de las recomendaciones?
- ¿Cuál es la ventaja del modelo espacial autorregresivo?
- ¿Qué puede hacer el aprendizaje automático además de la clasificación? ¿Hay más?
- ¿Qué significa que las funciones de activación (como ReLU) en NN inducen la escasez en las unidades ocultas?