Seguritecnia 493

Artículo Técnico W 2 = 1 Ya vivo cerca de la oficina, ahora mismo tardo unos 15 minutos en coche, que ya es poco. La ganan- cia no sería tan significativa como para que me importe en exceso este punto. W 3 = 5 Me gusta cuidarme y estar en forma. Me resulta complicado encontrar tiempo para ejercitarme y si consigo hacerlo en mis desplazamientos ha- bituales lo valoraría positivamente. Por último, establecemos el sesgo b que marca el umbral para tomar decisio- nes. Le asignamos un valor de 3, por lo que b= -3. Ahora que tenemos todos los datos podemos introducirlos en la fórmula y calcular el resultado: tectar un intrusión en un perímetro de seguridad, el nodo de salida determi- nará si para los datos provistos (ima- gen de vídeo y región de intrusión) hay un suceso de intrusión o no. Las redes neuronales se utilizan tanto en ML como en Deep Learning (en ade- lante DL), con diferencias entre cada uno de ellos. En ML se usan redes neuronales fully connected con hasta tres capas in- termedias. Esto significa que cada nodo de una capa está conectado a todos los nodos de la siguiente capa, como mues- tra la imagen de esta página. En DL ya hablamos de mayor número de capas intermedias 9 . Además en DL entran en escena las redes convolucio- nales y las recurrentes, que añaden un nivel más de complejidad al sistema. Las redes fully connected se pueden usar en DL, pero tienen limitaciones. Para tratar imágenes donde tenemos gran núme- ro de inputs y características, las redes convolucionales son el camino a seguir. Cómo funcionan La estructura de las redes neuronales descrita la podemos plasmar en una fór- mula matemática que quedaría así: Trabajaremos con un ejemplo para verlo más claro. Tengo que decidir si comprarme un patinete eléctrico para mis desplazamientos habituales por la ciudad. Para esto, tenemos que tener en cuenta una serie de factores: Si me ahorrará dinero. Si me ahorrará tiempo. Si mejorará mi salud. Por simplicidad, los tomaremos como binarios, cero o uno. Entonces, tendría- mos los siguientes datos de entrada: x 1 = 1 Comparándolo con el coche, el con- sumo de electricidad será menos costoso que el consumo de gasolina. Si la alternativa fuera una bicicleta, entonces sería más barato el con- sumo de la bicicleta, pues el motor serían mis piernas. x 2 = 1 Como vivo relativamente cerca de la oficina, teniendo en cuenta que el tráfico matutino afectará más al co- che, llegaré antes en patinete. x 3 = 0 El patinete no implica una actividad física como sí la implicaría una bi- cicleta, sino que sería igual que si fuera en coche, por lo que mi estado físico no mejoraría con el patinete. Estos tres factores tienen diferente im- portancia para mí, y eso tiene que estar reflejado en la red neuronal. Para eso sir- ven los pesos, que quedarían así: W 1 = 3 Valoro mis finanzas personales, y que me ahorre dinero es importante. Nodos de una capa conectados con nodos de la siguiente capa. / Enero-Febrero 2022 179