El aprendizaje automático (ML) está creciendo en popularidad para diversas aplicaciones de aceleradores de partículas, incluyendo la detección de anomalías como monitores de posición de haz defectuosos o identificación de fallos en RF, para diagnósticos no invasivos y para crear modelos sustitutos. Los métodos de ML, como las redes neuronales (NN), son útiles porque pueden aprender relaciones de entrada-salida en sistemas complejos y grandes basados en conjuntos de datos extensos. Una vez que están entrenados, métodos como las NN ofrecen predicciones instantáneas de fenómenos complejos, lo que hace que su uso como modelos sustitutos sea especialmente atractivo para acelerar búsquedas en grandes espacios de parámetros que de otro modo requerirían simulaciones computacionalmente costosas. Sin embargo, los sistemas que varían rápidamente en el tiempo son un desafío para los enfoques basados en ML porque la dinámica real del sistema se desvía rápidamente de la descripción proporcionada por cualquier conjunto de datos fijo, degradando el poder predictivo de cualquier método de ML y limitando su aplicabilidad para el control de retroalimentación en tiempo real de componentes y haces de aceleradores que varían rápidamente en el tiempo. En contraste con los métodos de ML, los algoritmos de retroalimentación adaptativa independientes del modelo son, por diseño, robustos a cambios y perturbaciones no modelados en sistemas dinámicos, pero suelen ser locales por naturaleza y susceptibles a extremos locales. En este trabajo, proponemos que la combinación de retroalimentación adaptativa y aprendizaje automático, aprendizaje automático adaptativo (AML), es una forma de combinar el poder de aprendizaje de características globales de los métodos de ML, como las redes neuronales profundas, con la robustez del control independiente del modelo. Presentamos una visión general de varios métodos de ML y control adaptativo, sus fortalezas y limitaciones, y una visión general de los enfoques de AML.