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 y lecturas curadas.

8 unidades Mar – Abr 2026 Sesión semanal
Leyenda: Clase teórica Laboratorio 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 hacer QA básico 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 redes simples + métricas básicas (duplicados, self-loops, conectividad)
Lecturas
  • Monografía Cap. 1 (§1.2–1.8)
  • Barabási (2016) — Network Science, caps. introductorios
  • Newman (2018) — Networks, como referencia de consulta
U2
09 – 15 mar
Redes Bipartitas y Métricas Básicas
Lab 2 Clase 2 Bipartitas interactivo
Construir y analizar redes bipartitas, cuantificar los sesgos que introduce la proyección y medir métricas básicas.
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, centralidades)
  • Diagnóstico de sesgos por nodos de alta actividad
Lecturas
  • Monografía Cap. 2 (§2.2–2.5, 2.7–2.8)
  • Latapy et al. (2008) — Basic notions for the analysis of large two-mode networks
  • Granovetter (1973) — The strength of weak ties
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
  • Monografía Cap. 2 (§2.6–2.9)
  • Newman (2003) — The structure and function of complex networks
  • Newman (2001) — Scientific collaboration networks
U4
23 – 29 mar
Modelos Generativos y Nulos
Lab 4 Clase 4
Usar modelos generativos y nulos como baseline para evitar interpretaciones espurias, comparando red real vs. baseline con criterios claros.
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 habitual en industria
  • Simular y calibrar baselines; comparar clustering, distancias y tails
Lecturas
  • Monografía Cap. 4
  • Barabási & Albert (1999) — Emergence of scaling in random networks
  • Watts & Strogatz (1998) — Collective dynamics of small-world networks
  • Newman, Strogatz & Watts (2001) — Random graphs with arbitrary degree distributions
U5
30 mar – 05 abr
Mesoestructura
Lab 5 Clase 5 Comunidades interactivo
Identificar mesoestructura (comunidades, core-periphery, roles) y traducirla en hipótesis y segmentación útiles.
Contenidos
  • Comunidades y modularidad: definición, límites y resolución
  • Core-periphery: identificación y lectura operativa
  • Roles estructurales e interpretabilidad
  • Algoritmos: Leiden, Louvain con análisis de estabilidad (múltiples seeds)
  • k-core y dependencias institucionales en compras públicas
Lecturas
  • Monografía Cap. 5
  • Newman (2006) — Modularity and community structure in networks
  • Borgatti & Everett (2000) — Models of core/periphery structures
U6
06 – 12 abr
Procesos en Redes
Lab 6 Clase 6 Procesos interactivo
Conectar estructura con dinámica: simular difusión e intervención, ver cómo la importancia de un nodo depende del proceso.
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
  • Monografía Cap. 7
  • Newman (2002) — Spread of epidemic disease on networks
  • Kitsak et al. (2010) — Identification of influential spreaders in complex networks
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
  • Monografía Cap. 6 (§6.1–6.5)
  • Monografía Cap. 11 (§11.1–11.7)
  • Monografía Cap. 13 (§13.1–13.4)
  • Liben-Nowell & Kleinberg (2007) — The link-prediction problem for social networks
U8
20 – 26 abr
Industria y Graph ML — Cierre del curso
Clase 8
Mirar casos reales de redes en industria, distinguir embeddings de GNN, y discutir cuándo conviene (o no) usar Graph ML y cómo evaluarlo.
Contenidos
  • Casos reales: detección de fraude, recomendación, bioinformática
  • Node embeddings vs. Graph Neural Networks (GNN)
  • Cuándo NO conviene usar GNN
  • Leakage en GNN y cómo evitarlo
  • Roadmap de aprendizaje continuo
  • Sesión con invitado de industria
Lecturas (opcionales)
  • Monografía Cap. 10 (§10.1–10.4)
  • Monografía Cap. 11 — repaso splits y métricas
  • Perozzi et al. (2014) — DeepWalk
  • Grover & Leskovec (2016) — node2vec
  • Kipf & Welling (2017) — Graph Convolutional Networks