192.080 Crypto Asset Analytics
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2024S, VU, 2.0h, 3.0EC

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: VU Vorlesung mit Übung
  • Format der Abhaltung: Hybrid

Lernergebnisse

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage folgende erworbene Kompetenzen einzusetzen:

  1. Detaillierte Erklärung der Distributed Ledger Technologie und darauf aufbauender Kryptoassets
  2. Unterscheidung von verschiedenen Arten von Kryptoassets anhand ihrer Funktionalität und technischen Eigenschaften
  3. Anwendung grundlegender Analysemethoden auf Kryptoasset-Transaktionen
  4. Durchführung von spezifischen Kryptoasset-Analyse-Tasks mit Hilfe von Open-Source-Tools
  5. Erklärung der Eigenschaften von privacy-zentrierten Kryptowährungen sowie möglicher Analysemethoden
  6. Analyse von Off-Chain-Zahlungskanälen in Blockchains
  7. Vorstellung gängiger Anwendungen und Use Cases von Kryptoassets
  8. Umsetzung eigener Analyse-Tasks auf Basis des erworbenen Wissens

Inhalt der Lehrveranstaltung

  • Einführung in Kryptowährungen und Distributed Ledger Technology (Blockchain)
  • Grundlegende Analyse Methoden für Kryptowährungen
  • Analyse von Mixing Services & Privacy Coins (Monero, Zcash, etc.)
  • Analyse von Smart Contracts und Token Systemen
  • Analyse von Decentralized Finance (DeFi) Protokollen
  • Analyse von Cross-Layer und Cross-Ledger Lösungen

Methoden

  • Vorlesung
  • Wöchentliche Übungsaufgaben (Literaturstudie + Programmieraufgaben)
  • Präsentationen
  • Projektarbeit (specific data analytics task)

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

Diese Lehrveranstaltung gliedert sich ein zwei Teile: der erste Teil (zu Semesterbeginn) umfasst Vorlesung seitens des LV Leiters, externe Fachvorträge, sowie wöchentliche Übungen (Programmieraufgaben + Aufbereitung wissenschaftlicher Literatur) die seitens der Studierenden in den Lehrveranstaltungen präsentiert werden. Im zweiten Teil sollen die erlernten Methoden in konkreten Projekten angewendet werden.

Benotung

  • Wöchentliche Hausübung 50%
  • Projektarbeit 50%

Vortragende Personen

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Mi.17:00 - 19:0006.03.2024EI 8 Pötzl HS - QUER Course Introduction & Cryptoassets Recap
Mi.17:00 - 18:3013.03.2024 Zoom Meeting (LIVE)Analyzing UTXO Ledgers
Mi.17:00 - 18:3020.03.2024 Zoom Meeting (LIVE)The Limits of Known Methods: Coin Mixing & Privacy Coins
Mi.17:00 - 18:3010.04.2024 Zoom Meeting (LIVE)Going Beyond UTXO: Ethereum, Smart Contracts, Tokens, Account-Model Ledgers
Mi.17:00 - 19:0017.04.2024EI 8 Pötzl HS - QUER Guest Lecture
Mi.17:00 - 19:0024.04.2024 Zoom Meeting (LIVE)Analyzing Decentralized Finance (DeFi) Protocols
Mi.17:00 - 18:3001.05.2024 Zoom MeetingAnalyzing Transactions Across Layers and Ledgers
Mi.17:00 - 18:3008.05.2024 Zoom Meeting (LIVE)Overall Approach & Initial Design Presentation
Mi.17:00 - 18:3005.06.2024 Zoom Meeting (LIVE)Intermediate Results Presentation
Mi.17:00 - 20:0026.06.2024EI 8 Pötzl HS - QUER Final Results Presentation + Best Student Project Award

Leistungsnachweis

ECTS Breakdown:
---------------------------------------------------

12 Std. Vorlesung

13 Std. Selbststudium, Lesungen und Hausaufgaben

50 Std. Project
---------------------------------------------------
75 Stunden (6 ECTS)

LVA-Anmeldung

Von Bis Abmeldung bis
23.02.2024 10:00 04.03.2024 23:59 13.03.2024 23:59

Curricula

StudienkennzahlVerbindlichkeitSemesterAnm.Bed.Info
066 645 Data Science Keine Angabe
066 937 Software Engineering & Internet Computing Keine Angabe
175 FW Freie Wahlfächer - Wirtschaftsinformatik Freifach
880 FW Freie Wahlfächer - Informatik Gebundenes Wahlfach

Literatur

Es wird kein Skriptum zur Lehrveranstaltung angeboten.

Vorkenntnisse

  • Programmierkenntnisse (e.g., Python).
  • Grundlegendes Verständnis von Bitcoin und Kryptowährungstechnologie (z.B.: erfolgreiche Absolvierung von „VU 192.065“)
  • Grundkenntnisse in Netzwerkanalyse und maschinellen Lerntechniken (supervised, unsupervised)

Vorausgehende Lehrveranstaltungen

Sprache

Englisch