El cáncer de mama (CM) es uno de los cánceres más comunes entre las mujeres en todo el mundo, representando la mayoría de los nuevos casos de cáncer y muertes relacionadas con el cáncer según estadísticas globales, lo que lo convierte en un problema significativo de salud pública en la sociedad actual. El diagnóstico temprano del CM puede mejorar significativamente el pronóstico y la posibilidad de supervivencia, ya que puede promover un tratamiento clínico oportuno para los pacientes. Además, una clasificación precisa de los tumores benignos puede prevenir que los pacientes se sometan a tratamientos innecesarios. Así, el diagnóstico correcto del CM y la clasificación de los pacientes en grupos malignos o benignos es objeto de mucha investigación. Debido a sus ventajas únicas en la detección de características críticas a partir de conjuntos de datos complejos de CM, el aprendizaje automático (AA) es ampliamente reconocido como la metodología preferida en la clasificación de patrones de CM y en la modelización de pronósticos. En este artículo, nuestro objetivo es revisar las técnicas de AA y sus aplicaciones en el diagnóstico y pronóstico del CM. En primer lugar, proporcionamos una visión general de las técnicas de AA, incluyendo redes neuronales artificiales (RNA), máquinas de soporte vectorial (MSV), árboles de decisión (AD) y vecinos más cercanos (VNC). Luego, investigamos sus aplicaciones en el CM. Nuestros datos primarios se extraen de la base de datos de cáncer de mama de Wisconsin (WBCD), que es la base de datos de referencia para comparar los resultados a través de diferentes algoritmos. Finalmente, también se muestra un modelo de sistema de salud de nuestro trabajo reciente.