{"id":30409,"date":"2024-10-17T13:48:48","date_gmt":"2024-10-17T16:48:48","guid":{"rendered":"https:\/\/building.nubank.com\/?p=30409"},"modified":"2025-03-24T10:53:18","modified_gmt":"2025-03-24T13:53:18","slug":"modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/","title":{"rendered":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Al pensar en machine learning, comprender y predecir el comportamiento de los clientes a lo largo del tiempo es esencial para diversas aplicaciones, como detecci\u00f3n de fraudes, recomendaci\u00f3n de productos y an\u00e1lisis de riesgo crediticio. Tradicionalmente, se han utilizado modelos tabulares para esta tarea, agregando informaci\u00f3n de comportamiento en caracter\u00edsticas est\u00e1ticas.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sin embargo, este enfoque presenta limitaciones significativas al capturar la din\u00e1mica temporal y el orden de los eventos. En este art\u00edculo, exploraremos c\u00f3mo las arquitecturas secuenciales, especialmente las redes neuronales LSTM (Long Short-Term Memory), pueden superar estas limitaciones y ofrecer insights m\u00e1s profundos y precisos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">La importancia del comportamiento en modelos de machine learning<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El comportamiento se refiere a informaci\u00f3n que depende de acciones realizadas a lo largo del tiempo y que pueden caracterizar algo o a alguien. Algunos ejemplos incluyen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Frecuencia y valor de las compras con tarjeta de cr\u00e9dito.<\/li>\n\n\n\n<li>Interacciones con aplicaciones o plataformas digitales.<\/li>\n\n\n\n<li>Visitas a establecimientos f\u00edsicos.<\/li>\n\n\n\n<li>Llamadas a centros de atenci\u00f3n al cliente.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">A diferencia de caracter\u00edsticas est\u00e1ticas como la edad o el g\u00e9nero, los comportamientos son din\u00e1micos y pueden variar significativamente entre individuos, ofreciendo una rica fuente de datos para an\u00e1lisis predictivos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Limitaciones de los modelos tabulares en el modelado del comportamiento<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos tabulares cl\u00e1sicos dependen de caracter\u00edsticas agregadas que resumen el comportamiento en per\u00edodos espec\u00edficos, por ejemplo, calcular la suma o el promedio de las compras realizadas en las \u00faltimas 24 horas. Aunque este enfoque es funcional, presenta problemas:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">P\u00e9rdida del orden de los eventos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Al agregar datos, los modelos tabulares ignoran la secuencia temporal de las acciones. Dos clientes que realizaron las mismas transacciones, pero en \u00f3rdenes diferentes, ser\u00edan tratados de forma id\u00e9ntica por el modelo, a pesar de que sus comportamientos son distintos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ignorar interacciones temporales<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos tabulares no capturan c\u00f3mo diferentes eventos interact\u00faan a lo largo del tiempo. Por ejemplo, si un cliente hace una compra grande y luego realiza un retiro inusual, el orden de estos eventos puede ser significativo para detectar actividades sospechosas.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Predicciones independientes<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Cada predicci\u00f3n en modelos tabulares es independiente de las anteriores. El modelo no considera eventos pasados al hacer una nueva predicci\u00f3n, perdiendo la oportunidad de captar patrones de comportamiento que se desarrollan con el tiempo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Arquitecturas secuenciales como alternativa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Para superar estas limitaciones, las arquitecturas secuenciales, como las redes neuronales LSTM, ofrecen una soluci\u00f3n eficaz. Estas redes est\u00e1n dise\u00f1adas para procesar datos secuenciales, teniendo en cuenta el orden y el intervalo entre eventos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">C\u00f3mo funcionan las LSTM<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Las LSTM poseen componentes llamados c\u00e9lulas de memoria que retienen informaci\u00f3n a lo largo del tiempo. Procesan secuencias de eventos paso a paso, permitiendo que la informaci\u00f3n de eventos anteriores influya en las predicciones futuras.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Procesamiento secuencial: <\/strong>Cada evento se procesa en orden temporal, preservando la secuencia de los datos.<\/li>\n\n\n\n<li><strong>Memoria a corto y largo plazo: <\/strong>Las LSTM mantienen estados internos que acumulan informaci\u00f3n relevante, permitiendo capturar patrones a largo plazo.<\/li>\n\n\n\n<li><strong>Actualizaci\u00f3n din\u00e1mica: <\/strong>La red decide qu\u00e9 informaci\u00f3n mantener o descartar en cada paso, adapt\u00e1ndose al comportamiento observado.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Implementaci\u00f3n pr\u00e1ctica de LSTM en el modelado del comportamiento<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Preparaci\u00f3n de los datos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">En lugar de agregar datos, los eventos se mantienen en su forma secuencial original. Cada evento puede contener sus caracter\u00edsticas relevantes, como valor de la transacci\u00f3n, tipo de evento (compra, retiro, dep\u00f3sito) y marca de tiempo, por ejemplo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Construcci\u00f3n del modelo<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Entrada secuencial:<\/strong> Los datos se estructuran como secuencias para ser alimentados en la LSTM.<\/li>\n\n\n\n<li><strong>Normalizaci\u00f3n:<\/strong> Las caracter\u00edsticas se normalizan para facilitar el entrenamiento.<\/li>\n\n\n\n<li><strong>Definici\u00f3n de par\u00e1metros:<\/strong> Se ajustan hiperpar\u00e1metros como tama\u00f1o de la secuencia, n\u00famero de neuronas y tasas de aprendizaje.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Entrenamiento y predicci\u00f3n<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La LSTM se entrena para aprender patrones en la secuencia de eventos que llevan a un determinado resultado, como un fraude o incumplimiento. Durante la predicci\u00f3n, la red procesa nuevos eventos, actualizando sus memorias internas y ajustando las predicciones de acuerdo con el comportamiento observado.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ventajas de las arquitecturas secuenciales<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Captura de patrones temporales<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Al preservar el orden y el intervalo entre eventos, las LSTM pueden identificar patrones que se perder\u00edan en modelos tabulares. Por ejemplo, una serie de peque\u00f1as transacciones en un corto per\u00edodo puede indicar un comportamiento sospechoso que un modelo tabular no detectar\u00eda.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Flexibilidad en la inclusi\u00f3n de caracter\u00edsticas<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Adem\u00e1s de las caracter\u00edsticas secuenciales, es posible incorporar caracter\u00edsticas est\u00e1ticas o agregadas al modelo, enriqueciendo el an\u00e1lisis sin perder la capacidad de captar la din\u00e1mica temporal.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Reducci\u00f3n en la necesidad de ingenier\u00eda de caracter\u00edsticas<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">El modelado secuencial disminuye la necesidad de crear m\u00faltiples caracter\u00edsticas agregadas para diferentes ventanas de tiempo, ya que la LSTM aprende autom\u00e1ticamente qu\u00e9 patrones temporales son relevantes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Desaf\u00edos y consideraciones<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Complejidad computacional<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Las redes neuronales secuenciales requieren m\u00e1s recursos computacionales y tiempo de entrenamiento. El uso de GPUs puede acelerar el proceso, pero aumenta los costos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Optimizaci\u00f3n de hiperpar\u00e1metros<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Encontrar los par\u00e1metros ideales, como el n\u00famero de secuencias a considerar o la direcci\u00f3n del procesamiento (del evento m\u00e1s reciente al m\u00e1s antiguo o viceversa), es crucial para el rendimiento del modelo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Evaluaci\u00f3n de la necesidad<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Es importante evaluar si la complejidad adicional est\u00e1 justificada. Si el orden de los eventos o la temporalidad no son significativos para el problema en cuesti\u00f3n, los modelos tabulares pueden ser m\u00e1s adecuados.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Casos de estudio y resultados pr\u00e1cticos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Durante la implementaci\u00f3n de LSTM para detecci\u00f3n de fraudes, se observaron los siguientes resultados:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Mejora en la precisi\u00f3n: <\/strong>El modelo secuencial logr\u00f3 identificar patrones de comportamiento asociados a fraudes que el modelo tabular no detectaba.<\/li>\n\n\n\n<li><strong>Reducci\u00f3n de falsos positivos: <\/strong>Al considerar la secuencia de eventos, el modelo redujo la cantidad de alertas indebidas, enfoc\u00e1ndose en casos realmente sospechosos.<\/li>\n\n\n\n<li><strong>Insights sobre comportamiento: <\/strong>El an\u00e1lisis de las importancias de las caracter\u00edsticas a lo largo de las secuencias revel\u00f3 qu\u00e9 eventos y patrones temporales eran m\u00e1s relevantes para la predicci\u00f3n.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Integraci\u00f3n con caracter\u00edsticas tradicionales<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Incluso al utilizar arquitecturas secuenciales, es posible y, a menudo, recomendable combinar caracter\u00edsticas tradicionales al modelo. Por ejemplo:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Datos demogr\u00e1ficos: <\/strong>Edad, g\u00e9nero y ubicaci\u00f3n pueden incorporarse como entradas adicionales.<\/li>\n\n\n\n<li><strong>Historial agregado: <\/strong>Estad\u00edsticas como ingreso mensual promedio o puntaje crediticio pueden complementar las secuencias.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Esta integraci\u00f3n permite que el modelo aproveche lo mejor de ambos mundos: la capacidad de capturar patrones temporales y el valor de caracter\u00edsticas est\u00e1ticas comprobadas como \u00fatiles.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Preguntas frecuentes y aclaraciones<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfC\u00f3mo manejar clientes nuevos o con pocos eventos?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Para clientes con pocos o ning\u00fan evento, el modelo puede completar las secuencias con valores nulos o ceros, y la red se entrena para manejar estas situaciones. Adem\u00e1s, las caracter\u00edsticas est\u00e1ticas pueden ganar m\u00e1s peso en estas circunstancias.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfLas LSTM son siempre la mejor opci\u00f3n?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">No necesariamente. Si el orden de los eventos no es crucial para el problema, o si los recursos computacionales son limitados, los modelos tradicionales pueden ser m\u00e1s eficientes.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfC\u00f3mo optimizar el rendimiento de las LSTM?<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Ajuste de hiperpar\u00e1metros: <\/strong>Ajustar el n\u00famero de capas, neuronas y tasa de aprendizaje.<\/li>\n\n\n\n<li><strong>Regularizaci\u00f3n: <\/strong>Aplicar t\u00e9cnicas como dropout para evitar el sobreajuste.<\/li>\n\n\n\n<li><strong>Normalizaci\u00f3n por lotes: <\/strong>Facilita el entrenamiento y puede acelerar la convergencia.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusi\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las arquitecturas secuenciales, como las LSTM, representan un avance significativo en el modelado del comportamiento en machine learning. Al capturar la din\u00e1mica temporal y el orden de los eventos, ofrecen predicciones m\u00e1s precisas e insights profundos sobre patrones de comportamiento.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A pesar de los desaf\u00edos, especialmente en t\u00e9rminos de recursos computacionales y complejidad, los beneficios pueden ser sustanciales en aplicaciones donde el tiempo y la secuencia de los eventos son cr\u00edticos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para m\u00e1s informaci\u00f3n como esta, mira la grabaci\u00f3n del meetup de Data Science &amp; Machine Learning:<br><\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-4-3 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<span class=\"embed-youtube\" style=\"text-align:center; display: block;\"><iframe loading=\"lazy\" class=\"youtube-player\" width=\"640\" height=\"360\" src=\"https:\/\/www.youtube.com\/embed\/tGDmc_yp4ck?version=3&#038;rel=1&#038;showsearch=0&#038;showinfo=1&#038;iv_load_policy=1&#038;fs=1&#038;hl=es-ES&#038;autohide=2&#038;wmode=transparent\" allowfullscreen=\"true\" style=\"border:0;\" sandbox=\"allow-scripts allow-same-origin allow-popups allow-presentation allow-popups-to-escape-sandbox\"><\/iframe><\/span>\n<\/div><\/figure>\n","protected":false},"excerpt":{"rendered":"<p>Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning<\/p>\n","protected":false},"author":178110103,"featured_media":30404,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":true,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[778793308,2519,2509,2508],"tags":[2510,2543],"ppma_author":[2321],"class_list":["post-30409","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-research-es","category-building-stories-es","category-data-analytics-es","category-data-science-machine-learning-es","tag-ciencia-de-los-datos","tag-machine-learning-es"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.6 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank<\/title>\n<meta name=\"description\" content=\"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2024-10-17T16:48:48+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-03-24T13:53:18+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006-1024x683.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"683\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Nubank Editorial\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Nubank Editorial\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/\"},\"author\":{\"name\":\"Nubank Editorial\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"headline\":\"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning\",\"datePublished\":\"2024-10-17T16:48:48+00:00\",\"dateModified\":\"2025-03-24T13:53:18+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/\"},\"wordCount\":1389,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"keywords\":[\"ciencia de los datos\",\"machine learning\"],\"articleSection\":[\"AI Research\",\"Building Stories\",\"Data &amp; Analytics\",\"Data Science &amp; Machine Learning\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/\",\"name\":\"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"datePublished\":\"2024-10-17T16:48:48+00:00\",\"dateModified\":\"2025-03-24T13:53:18+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"description\":\"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"width\":5752,\"height\":3835,\"caption\":\"Nubankers working at Nu Office\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\",\"name\":\"Nubank Editorial\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"caption\":\"Nubank Editorial\"},\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/author\\\/editorial\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank","description":"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/","og_locale":"es_ES","og_type":"article","og_title":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank","og_description":"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning","og_url":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/","og_site_name":"Building Nubank","article_published_time":"2024-10-17T16:48:48+00:00","article_modified_time":"2025-03-24T13:53:18+00:00","og_image":[{"width":1024,"height":683,"url":"https:\/\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006-1024x683.jpg","type":"image\/jpeg"}],"author":"Nubank Editorial","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Nubank Editorial","Tiempo de lectura":"6 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#article","isPartOf":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/"},"author":{"name":"Nubank Editorial","@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"headline":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning","datePublished":"2024-10-17T16:48:48+00:00","dateModified":"2025-03-24T13:53:18+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/"},"wordCount":1389,"commentCount":0,"image":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","keywords":["ciencia de los datos","machine learning"],"articleSection":["AI Research","Building Stories","Data &amp; Analytics","Data Science &amp; Machine Learning"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/","url":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/","name":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning - Building Nubank","isPartOf":{"@id":"https:\/\/building.nubank.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#primaryimage"},"image":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","datePublished":"2024-10-17T16:48:48+00:00","dateModified":"2025-03-24T13:53:18+00:00","author":{"@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"description":"Superando limitaciones: c\u00f3mo las LSTM capturan patrones temporales en machine learning","breadcrumb":{"@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","width":5752,"height":3835,"caption":"Nubankers working at Nu Office"},{"@type":"BreadcrumbList","@id":"https:\/\/building.nubank.com\/es\/modelado-del-comportamiento-con-arquitecturas-secuenciales-explorando-lstm-en-machine-learning\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nubank.com\/es\/"},{"@type":"ListItem","position":2,"name":"Modelado del comportamiento con arquitecturas secuenciales: explorando LSTM en machine learning"}]},{"@type":"WebSite","@id":"https:\/\/building.nubank.com\/es\/#website","url":"https:\/\/building.nubank.com\/es\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nubank.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4","name":"Nubank Editorial","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1","url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","caption":"Nubank Editorial"},"url":"https:\/\/building.nubank.com\/es\/author\/editorial\/"}]}},"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-7Ut","jetpack_sharing_enabled":true,"authors":[{"term_id":2321,"user_id":178110103,"is_guest":0,"slug":"editorial","display_name":"Nubank Editorial","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/30409","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/users\/178110103"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/comments?post=30409"}],"version-history":[{"count":4,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/30409\/revisions"}],"predecessor-version":[{"id":30419,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/30409\/revisions\/30419"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/media\/30404"}],"wp:attachment":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/media?parent=30409"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/categories?post=30409"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/tags?post=30409"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/ppma_author?post=30409"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}