Se espera que los Sistemas de Detección de Intrusiones detecten y prevengan actividades maliciosas en una red, como una red inteligente. Sin embargo, son los principales sistemas objetivo de ciberataques. Se han propuesto varios enfoques para clasificar y detectar estos ataques, incluyendo el aprendizaje automático supervisado. Sin embargo, estos modelos requieren grandes conjuntos de datos etiquetados para el entrenamiento y la prueba. Por lo tanto, este documento compara el rendimiento de los modelos de aprendizaje supervisado y no supervisado en la detección de ciberataques. Se utilizó el benchmark de CICDDOS 2019 para entrenar, probar y validar los modelos. Los modelos supervisados son Gaussian Naïve Bayes, Árbol de Decisión de Clasificación y Regresión, Regresión Logística, Máquina de Soporte Vectorial C, Light Gradient Boosting y Red Neuronal Alex. Los modelos no supervisados son Análisis de Componentes Principales, K-means y Autoencoder Variacional. La comparación de rendimiento se realiza en términos de precisión, probabilidad de detección, probabilidad de no detección, probabilidad de falsa alarma, tiempo de procesamiento, tiempo de predicción, tiempo de entrenamiento por muestra y tamaño de memoria. Los resultados muestran que el modelo de Red Neuronal Alex supera a los otros modelos supervisados, mientras que el modelo de Autoencoder Variacional tiene los mejores resultados en comparación con los modelos no supervisados.