Este documento se enfoca en la optimización de datos de entrenamiento de aprendizaje automático (ML) mediante la construcción de datos compactos. Los métodos de optimización de entrenamiento de ML han mejorado y se han convertido en parte del desarrollo de sistemas de inteligencia artificial (IA). El aprendizaje de datos compactos (CDL) es un marco práctico alternativo para optimizar un sistema de clasificación al reducir el tamaño del conjunto de datos de entrenamiento. CDL se originó a partir del diseño de datos compactos, que proporciona los mejores activos sin manejar datos grandes y complejos. CDL es un marco dedicado para mejorar la velocidad de la fase de entrenamiento de aprendizaje automático sin afectar la precisión del sistema. El rendimiento de un sistema de detección de arritmias basado en ML y sus variantes con CDL mantuvo la misma precisión estadística. El entrenamiento de ML con CDL podría maximizarse aplicando un conjunto de datos de entrada reducido en un 85%, lo que indicaba que un sistema de ML entrenado podría tener la misma precisión estadística utilizando solo el 15% del conjunto de datos de entrenamiento original.