README

Código para comprender la implementación de Monte Carlo Dropout.

El aprendizaje profundo es una de las técnicas de aprendizaje automático más utilizadas que ha logrado un enorme éxito en aplicaciones como la detección de anomalías, la segmentación de imágenes médicas, la conducción de vehículos autónomos y el procesamiento del lenguaje natural. Sin embargo, a pesar de su impresionante rendimiento, las redes neuronales tienden a hacer predicciones con exceso de confianza. Por lo tanto, para aplicaciones donde el coste de un error es alto, se hace crucial estimar la información de incertidumbre en las predicciones del modelo para construir sistemas de aprendizaje automático más seguro. Además, la mayoría de las investigaciones se centran en elevar la precisión sin tener en cuenta la incertidumbre. El presente trabajo se desarrolla con el objetivo de comprender estos problemas y explorar posibles soluciones por medio de una red neuronal convolucional (CNN) y la aplicación del método de Monte Carlo Dropout. Este enfoque, mitigará el problema de representar la incertidumbre del modelo en el aprendizaje profundo sin sacrificar ni la complejidad computacional ni la precisión de las pruebas y puede utilizarse para todo tipo de modelos entrenados con dropout.