Este documento presenta un método para extender el aprendizaje basado en datos para considerar datos de fidelidad múltiple dependientes del historial, cuantificar la incertidumbre epistémica y separarla del ruido de datos (incertidumbre probabilística). El método, que tiene una estructura jerárquica, es aplicable a una variedad de escenarios de aprendizaje, desde el simple aprendizaje de redes neuronales deterministas de fidelidad simple hasta el aprendizaje propuesto de redes neuronales recurrentes bayesianas de estimación de varianza de fidelidad múltiple. La versatilidad y generalidad del método se demuestran al aplicarlo a varios escenarios de modelado configuracional basado en datos utilizando datos de varias fidelidades (con y sin ruido). El método predice respuestas con precisión, cuantifica errores del modelo y captura distribuciones de ruido (si las hay). Esto abre oportunidades para aplicaciones prácticas en una amplia gama de campos científicos y de ingeniería, incluidos los casos más desafiantes que involucran diseño y análisis bajo incertidumbre.
