Redes Recurrentes y Modelos Secuenciales (RNN/LSTM)
Arquitecturas diseñadas para datos donde el orden importa: texto, series de tiempo, audio.
ÁreaDeep Learning
DificultadAvanzado
Tiempo de aprendizaje6-8 semanas
¿Qué puedes lograr dominando este tema?
- Modelar dependencias temporales donde el orden de los datos importa
- Entender por qué LSTM/GRU resuelven el problema del gradiente que desaparece de las RNN simples
- Aplicar modelos secuenciales a series de tiempo o texto
Descripción
Las redes recurrentes procesan secuencias manteniendo un estado interno que se actualiza en cada paso, lo que les permite modelar dependencias temporales. Variantes como LSTM y GRU resolvieron el problema del gradiente que desaparece, dominando NLP y series de tiempo antes de la llegada de los Transformers.
Casos de uso
- Modelado y forecasting de series de tiempo complejas
- Generación y clasificación de texto (antes del auge de Transformers)
- Reconocimiento de voz y procesamiento de audio
- Predicción de secuencias de eventos (comportamiento de usuario)
Ejemplo práctico
import torch.nn as nn
modelo = nn.LSTM(input_size=10, hidden_size=32, num_layers=2, batch_first=True)
salida, (h_n, c_n) = modelo(secuencia_entrada)Ventajas y limitaciones
Ventajas
- Diseñadas específicamente para capturar dependencias temporales
- LSTM/GRU manejan secuencias más largas que una RNN simple
- Siguen siendo útiles en series de tiempo con recursos limitados
Limitaciones
- Entrenamiento secuencial es más lento que la paralelización de los Transformers
- Los Transformers las han desplazado como estado del arte en NLP
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- PyTorch
- TensorFlow
- Statsmodels
Temas relacionados
Fichas de herramientas
PyTorch
deep learningEl framework de deep learning dominante en investigación y cada vez más en producción.
TensorFlow / Keras
deep learningFramework de deep learning de Google con Keras como API de alto nivel.
Statsmodels
machine learningModelado estadístico e inferencia clásica en Python, al estilo de R.