Redes neuronales y secuencias
Explicar el entrenamiento mediante pérdidas y gradientes; preparar ventanas causales; interpretar las compuertas de LSTM y GRU; contrastar resultados con baselines.
Unidad 8 · Del dato a la validación
Comprender cómo se entrenan las redes neuronales, modelar secuencias de Bitcoin y Ethereum con LSTM/GRU y analizar relaciones on-chain con GNN. Una misma pregunta guía toda la unidad: ¿qué evidencia permite confiar en el resultado?
Resultados de aprendizaje
Explicar el entrenamiento mediante pérdidas y gradientes; preparar ventanas causales; interpretar las compuertas de LSTM y GRU; contrastar resultados con baselines.
Elegir nodos, aristas y tiempos de disponibilidad; interpretar GCN, GraphSAGE y GAT; detectar fuga temporal o estructural; justificar métricas y ablaciones.
Progresión recomendada
Conviene conocer retornos, álgebra matricial básica y Python. U2 y U3 aportan el modelo de datos; U6 y U7, el contexto de series temporales y analítica.
Neurona, activaciones, entrenamiento y generalización. 18 diapositivas.
Objetivo, disponibilidad de datos, walk-forward, leakage y métricas. 16 diapositivas.
Ventanas, ecuaciones, cálculo de compuertas y entrenamiento temporal. 19 diapositivas.
Construcción de grafos, propagación de mensajes, Elliptic y evaluación. 20 diapositivas.
Pooling, fusión, ablaciones, explicabilidad, drift y backtesting. 16 diapositivas.
Experimentación guiada
Preparar ventanas; detectar leakage; comparar perfiles de pronóstico; contar parámetros; explorar centralidad; reconstruir GCN, GraphSAGE y GAT; combinar pooling con memoria recurrente; explicar un modelo lineal con SHAP.
Construí una muestra L × 2 y separá contexto de etiqueta futura.
LAB 02Detectá fuga de información y purgá etiquetas que todavía no están disponibles.
LAB 03Contrastá seis perfiles sintéticos con métricas calculadas y costos explícitos.
LAB 04Compará parámetros exactos y observá curvas pedagógicas de pérdida.
LAB 05Explorá direcciones, aristas dirigidas, fuerza y centralidad.
LAB 06Seguí cada coeficiente y transformación de GCN, GraphSAGE y GAT.
LAB 07Recorré snapshots, pooling y compuertas de una celda recurrente.
LAB 08Reconstruí la salida de un modelo lineal y cambiá su referencia.
Datos sintéticos y pesos fijos donde se indica. La arena utiliza perfiles prefijados; el laboratorio 02 sí ajusta ridge. Cada recurso explicita qué cálculo realiza y qué conclusiones permite.
Comprender y conectar
Consultá un concepto y aplicalo en un laboratorio. Extendé la mirada sobre las GNN desde las transacciones blockchain hasta los sistemas de recomendación.
16 áreas temáticas, definiciones desarrolladas, fórmulas, ejemplos y lecturas críticas. Buscador, filtros, enlaces entre términos y accesos a los ocho laboratorios.
Lectura complementaria · GNN
Una nota del profesor Sergio Gevatschnaider para conectar usuarios, videos, embeddings y agregación de vecinos. Leela después del laboratorio 06 y compará qué representa cada nodo y cada relación.
Conexión didáctica: usuarios y videos forman un grafo bipartito; direcciones y transferencias requieren su propio modelo de datos. La fórmula del artículo es ilustrativa y no documenta la arquitectura interna de TikTok. ¿Qué cambia al trasladar una GNN de recomendación al análisis de blockchain?
Proyecto integrador
Definir una variable objetivo y un horizonte; documentar qué información estaba disponible; comparar baseline, LSTM, GNN e híbrido en los mismos folds; informar errores, incertidumbre y limitaciones. La quinta presentación desarrolla la arquitectura y la rúbrica de evaluación.
Los ocho laboratorios incluyen actividades y exportación de registros. La guía desarrolla sus vocabularios y el glosario reúne 145 conceptos con ejemplos, lecturas críticas y enlaces a los laboratorios.