El aprendizaje automático (ML) en la teoría de colas combina las capacidades predictivas y de optimización de ML con los marcos analíticos de los modelos de colas para mejorar el rendimiento en sistemas como las telecomunicaciones, la fabricación y las industrias de servicios. En este documento ofrecemos una visión general de cómo se aplica ML en la teoría de colas, destacando sus casos de uso, beneficios y desafíos. Consideramos un sistema de colas de tipo clásico, que es al mismo tiempo bastante complejo para obtener resultados analíticos, compuesto por servidores homogéneos con una distribución arbitraria de tiempo entre clientes entrantes y tiempos de servicio distribuidos de manera equitativa, también con una distribución arbitraria. Se utilizan diferentes técnicas de simulación para obtener las muestras de entrenamiento y prueba necesarias para aplicar los algoritmos de ML supervisados a problemas de regresión y clasificación, y algunos resultados del análisis de aproximación de dicho sistema serán necesarios para verificar los resultados. Los algoritmos de ML también se utilizan para resolver problemas de optimización tanto paramétricos como dinámicos. Esto último se logra mediante un enfoque de aprendizaje por refuerzo. Se muestra que la aplicación de ML en la teoría de colas es una técnica prometedora para manejar la complejidad y la naturaleza estocástica de tales sistemas.