El robot Delta es un robot paralelo que está sobredimensionado y tiene un modelo dinámico altamente no lineal, lo que representa un desafío significativo para su diseño de control. La cinemática inversa que mapea los ángulos de los motores a la posición del efector final es altamente no lineal y extremadamente importante para el diseño de control del robot Delta. Se ha demostrado experimentalmente que la cinemática inversa basada en la geometría no es lo suficientemente precisa para capturar la dinámica del robot Delta debido a errores en los componentes de fabricación, errores de medición, flexibilidad de las juntas, retroceso, fricción, etc. Para abordar este problema, proponemos un modelo de red neuronal para aproximar la cinemática inversa del robot Delta con motores paso a paso. El modelo de red neuronal se entrena con datos experimentales muestreados aleatoriamente y se implementa en el hardware en un control de lazo abierto para el seguimiento de trayectorias. Resultados experimentales extensos muestran que el modelo de red neuronal logra un excelente rendimiento en términos del seguimiento de trayectorias del robot Delta bajo diferentes condiciones de operación, y supera al modelo de cinemática inversa basado en la geometría. Una observación numérica crítica indica que las redes neuronales entrenadas con datos de trayectoria específicos no alcanzan el rendimiento anticipado debido a la falta de datos. Por el contrario, las redes neuronales entrenadas con datos experimentales aleatorios capturan la rica dinámica del robot Delta y son bastante robustas ante incertidumbres del modelo en comparación con la cinemática inversa basada en la geometría.