Aprender sistemas dinámicos lineales y no lineales a partir de datos disponibles es un tema oportuno en el aprendizaje científico de máquinas. El aprendizaje debe realizarse mientras se garantiza la estabilidad numérica del modelo aprendido, el conocimiento existente dentro de un entorno informado o aumentado, o teniendo en cuenta la dinámica multiescala, tanto para dinámicas lineales como no lineales. Sin embargo, cuando el objetivo final de dicho sistema dinámico aprendido es ser utilizado con fines de control, puede ser ventajoso aprender dinámicas transformadas. Por lo tanto, existen muchas alternativas, y el presente artículo se centra en dos de ellas: la primera basada en el descubrimiento y uso del llamado control plano y la segunda basada en el uso de la teoría de Koopman. Las principales contribuciones al abordar la primera son el descubrimiento de la transformación de salida plana mediante el uso de un marco neuronal original. Además, al utilizar la teoría de Koopman, este artículo propone un procedimiento original para aprender dinámicas paramétricas en el espacio latente, lo cual es de particular interés en aplicaciones de ingeniería basadas en control.