Las redes neuronales modernas son una herramienta que permite resolver una gran variedad de problemas y retos en el ámbito de la inteligencia artificial. Sin embargo debido a que operan como cajas negras, la incertidumbre de sus predicciones es difícil de cuantificar. El paradigma bayesiano ofrece herramientas para cuantificar la incertidumbre asociada a las predicciones de una red neuronal. La principal diferencia del enfoque bayesiano es la marginalización, en vez de seleccionar una única configuración de parámetros. La marginalización, que consiste en tener en cuenta varias configuraciones de parámetros que se ajustan a los datos de entrenamiento puede mejorar la precisión de la red neuronal, pero sobre todo permite aproximar mejor la incertidumbre de la predicción. En este trabajo explicamos una visión general de cómo funciona y se implementa una red bayesiana y las principales ventajas que estas presentan.