En la era de la Industria 4.0 y más allá, los rodamientos de bolas siguen siendo una parte importante de los sistemas industriales. La falla de los rodamientos de bolas puede provocar tiempo de inactividad de la planta, operaciones ineficientes y gastos significativos de mantenimiento. Aunque los mecanismos convencionales de mantenimiento preventivo como el mantenimiento basado en el tiempo, inspecciones de rutina y análisis de datos manuales proporcionan un cierto nivel de prevención de fallas, a menudo son reactivos, consumen mucho tiempo e imprecisos. Por otro lado, los algoritmos de aprendizaje automático pueden detectar anomalías temprano, procesar vastas cantidades de datos, mejorar continuamente casi en tiempo real y, a su vez, mejorar significativamente la eficiencia de los sistemas industriales modernos. En este trabajo, comparamos diferentes técnicas de aprendizaje automático y aprendizaje profundo para optimizar el mantenimiento predictivo de sistemas de rodamientos de bolas, lo que, a su vez, reducirá el tiempo de inactividad y mejorará la eficiencia de los sistemas industriales actuales y futuros. Con este propósito, evaluamos y comparamos algoritmos de clasificación como Regresión Logística y Máquina de Vectores de Soporte, así como algoritmos de conjunto como Bosque Aleatorio y Extreme Gradient Boost. También exploramos y evaluamos la memoria a largo plazo, que es un tipo de red neuronal recurrente. Evaluamos y comparamos estos modelos en términos de su precisión, precisión, recuperación, puntajes F1 y requisitos de computación. Nuestros resultados de comparación indican que Extreme Gradient Boost ofrece el mejor equilibrio en términos de rendimiento general y tiempo de computación. Para un conjunto de datos de 2155 señales de vibración, Extreme Gradient Boost ofrece una precisión del 96.61% y solo requiere un tiempo de entrenamiento de 0.76 s. Además, entre las técnicas que ofrecen una precisión mayor al 80%, Extreme Gradient Boost también ofrece la mejor relación precisión-tiempo de computación.