El método de transporte de neutrones de Monte Carlo se utiliza para estimar con precisión diversas cantidades, como el valor propio k y el flujo integral de neutrones. Sin embargo, en el caso de estimar una distribución de una cantidad deseada, el método de Monte Carlo no suele proporcionar una distribución continua. Recientemente, se han desarrollado los métodos de recuento de expansión funcional (FET) y estimación de densidad de kernel (KDE) para proporcionar una distribución continua de un recuento de Monte Carlo. En este artículo, proponemos un método para estimar una distribución continua de una cantidad en todas las variables del espacio de fases utilizando un modelo de red neuronal artificial (ANN) completamente conectado y basado en datos de entrenamiento de Monte Carlo. Como prueba de concepto, se estimó una distribución continua de la probabilidad de fisión iterada (IFP) mediante modelos de ANN en dos sistemas fisibles distintos. Los modelos de ANN se entrenaron con los datos de entrenamiento creados utilizando el método IFP de Monte Carlo. Las distribuciones de IFP estimadas por los modelos de ANN se compararon con los datos basados en Monte Carlo que incluyen los datos de entrenamiento. Además, las distribuciones de IFP de los modelos de ANN también se compararon con las distribuciones de flujo angular adjunto de neutrones obtenidas con el código de transporte de neutrones determinista PARTISN. Las comparaciones mostraron diferentes grados de acuerdo o discrepancia; sin embargo, se observó que los modelos de ANN aprendieron la tendencia general de las distribuciones de IFP a partir de los datos de entrenamiento basados en Monte Carlo.