Redes y Sistemas Complejos

2026-1 — Referencial

Plan del curso

El curso se articula en 8 unidades temáticas, cada una con una sesión sincrónica guiada y trabajo autónomo. Cada unidad integra contenidos, clase teórica, práctica, lecturas curadas y notebooks complementarios cuando el método requiere profundización.

8 unidades 3 notebooks complementarios Mar – Abr 2026 Sesión semanal
Leyenda: Clase teórica Laboratorio Notebook complementario Recurso interactivo Lectura complementaria
U1
02 – 08 mar
Fundamentos y Modelamiento desde Datos
Lab 1 Clase 1
Modelar un sistema relacional como red (nodos, aristas, pesos, atributos) y auditar la consistencia estructural de los datos.
Contenidos
  • Qué es una red y por qué la representación importa
  • Escalas micro / meso / macro en sistemas complejos
  • Tipos de redes y decisiones de modelamiento
  • Errores típicos en industria: IDs, granularidad, edges mal definidos
  • Construcción de grafos de referencia y auditoría de duplicados, self-loops, conectividad y pesos
Lecturas
U2
09 – 15 mar
Redes Bipartitas y Métricas Básicas
Lab 2 Clase 2 Notebook complementario Bipartitas interactivo
Construir y analizar redes bipartitas, cuantificar los sesgos que introduce la proyección y medir métricas bajo supuestos explícitos.
Contenidos
  • Bipartitas como representación natural de sistemas de afiliación
  • Proyecciones 1-mode: beneficios y riesgos inferenciales
  • Pérdida de información, inflación de enlaces y clustering inducido
  • Métricas en bipartitas y proyecciones: grado, fuerza, clustering y centralidades bajo supuestos explícitos
  • Diagnóstico de sesgos por nodos de alta actividad
  • Notebook complementario: proyecciones bipartitas desde datos tabulares
Lecturas
U3
16 – 22 mar
Features y Segmentación Operativa
Lab 3 Clase 3
Convertir métricas de red en features operativas, armar un feature store y revisar sensibilidad frente a pesos y umbrales.
Contenidos
  • Centralidades como features: grado, betweenness, closeness, eigenvector
  • Cómo elegir métricas según la tarea: ranking, segmentación, explicabilidad
  • El Laplaciano: intuición y usos en difusión y estructura espectral
  • Feature store por nodo con rankings y análisis de sensibilidad
  • Binarización, umbral de peso y ventanas temporales
Lecturas
U4
23 – 29 mar
Modelos Generativos y Nulos
Lab 4 Clase 4 Notebook complementario
Usar modelos generativos y nulos como baselines para separar estructura informativa de artefactos inducidos por tamaño, densidad o grados.
Contenidos
  • Erdős-Rényi (ER): grafos aleatorios como baseline mínimo
  • Watts-Strogatz (WS): mundo pequeño y clustering
  • Barabási-Albert (BA): preferential attachment y distribuciones de cola pesada
  • Model checking como práctica de validación antes de interpretar patrones estructurales
  • Simular y calibrar baselines; comparar clustering, distancias y colas de distribución
  • Notebook complementario: Jaccard centrado y modelo nulo bipartito
Lecturas
U5
30 mar – 05 abr
Mesoestructura
Lab 5 Clase 5 Notebook complementario Comunidades interactivo
Identificar mesoestructura (comunidades, core-periphery, roles) y traducirla en hipótesis de segmentación con validación de estabilidad.
Contenidos
  • Comunidades y modularidad: definición, límites y resolución
  • Core-periphery: identificación, límites e interpretación operativa
  • Roles estructurales e interpretabilidad
  • Algoritmos: Leiden, Louvain con análisis de estabilidad (múltiples seeds)
  • k-core y dependencias institucionales en compras públicas
  • Notebook complementario: comunidades en Karate Club y Les Misérables
Lecturas
U6
06 – 12 abr
Procesos en Redes
Lab 6 Clase 6 Procesos interactivo
Conectar estructura con dinámica: simular difusión e intervención y mostrar por qué la importancia de un nodo depende del proceso modelado.
Contenidos
  • Modelos SIS y SIR: definición, umbrales e interpretación
  • Intuición espectral y Heterogeneous Mean Field (HMF)
  • Redes temporales vs. agregadas
  • Simulación SIR y comparación de intervenciones: random, por grado, por k-core
  • Presentaciones grupales: paper o tema relevante con Q&A
Lecturas
U7
13 – 19 abr
Inferencia, Evaluación y Ética
Lab 7 Clase 7
Validar conclusiones en redes (datos no-iid), diseñar evaluación sin leakage, aplicar modelos nulos y reportar límites y consideraciones éticas.
Contenidos
  • Dependencia estructural y por qué los datos de red son no-iid
  • Modelos nulos, rewiring y permutation tests
  • Missing links: detección y implicancias
  • Leakage y splits según la tarea (node-level vs. link-level vs. graph-level)
  • Ética y privacidad en análisis de redes sociales: checklist aplicado
Lecturas
U8
20 – 26 abr
Industria y Graph ML — Cierre del curso
Lab 8 Clase 8
Revisar casos industriales, distinguir embeddings de GNN y discutir cuándo conviene usar Graph ML, cuándo no, y cómo evaluarlo sin leakage.
Contenidos
  • Casos reales: detección de fraude, recomendación, bioinformática
  • Node embeddings vs. Graph Neural Networks (GNN)
  • Criterios para decidir cuándo una GNN no es el modelo adecuado
  • Leakage en GNN y cómo evitarlo
  • Roadmap de aprendizaje continuo
  • Sesión con invitado de industria
Lecturas (opcionales)