La esquizofrenia es una enfermedad mental grave asociada con déficits neurobiológicos. Aunque las actividades cerebrales durante las tareas (es decir, actividades P300) se consideran biomarcadores para diagnosticar la esquizofrenia, las actividades cerebrales en reposo tienen el potencial de mostrar una disfuncionalidad inherente en la esquizofrenia y pueden utilizarse para comprender los déficits cognitivos en estos pacientes. En este estudio, desarrollamos un algoritmo de aprendizaje automático (MLA) basado en conjuntos de datos de electroencefalograma (EEG) en estado de reposo con los ojos cerrados, que registran la actividad neural en ausencia de tareas o estímulos externos dados a los sujetos, con el objetivo de distinguir pacientes esquizofrénicos (SCZs) de controles sanos (HCs). El MLA tiene dos pasos. En el primer paso, se aplica la entropía de transferencia simbólica (STE), que es una medida de conectividad efectiva, a los datos de EEG en estado de reposo. En el segundo paso, el MLA utiliza la matriz STE para encontrar un conjunto de características que puedan discriminar con éxito SCZ de HC. A partir de los resultados, encontramos que el MLA podría lograr una precisión total del 96.92%, con una sensibilidad del 95%, una especificidad del 98.57%, una precisión del 98.33%, un puntaje F1 de 0.97 y un coeficiente de correlación de Matthews (MCC) de 0.94 utilizando solo 10 de 1900 características STE, lo que implica que la matriz STE extraída de los datos de EEG en estado de reposo puede ser una herramienta prometedora para el diagnóstico clínico de la esquizofrenia.