Quizás uno de los modelos de aprendizaje automático más conocidos es la red neuronal artificial, donde se deben ajustar una serie de parámetros para aprender una amplia gama de problemas prácticos de áreas como la física, la química, la medicina, etc. Tales problemas pueden reducirse a problemas de reconocimiento de patrones y luego modelarse a partir de redes neuronales artificiales, ya sean problemas de clasificación o problemas de regresión. Para lograr el objetivo de las redes neuronales, estas deben ser entrenadas ajustando adecuadamente sus parámetros utilizando algunos métodos de optimización global. En este trabajo, se sugiere la aplicación de una técnica reciente de minimización global para el ajuste de los parámetros de la red neuronal. En esta técnica, se crea una aproximación de la función objetivo a minimizar utilizando redes neuronales artificiales y luego se realiza un muestreo a partir de la función de aproximación y no de la original. Por lo tanto, en el presente trabajo, el aprendizaje de los parámetros de las redes neuronales artificiales se realiza utilizando otras redes neuronales. El nuevo método de entrenamiento se probó en una serie de problemas conocidos, se realizó un estudio comparativo con otras técnicas de ajuste de parámetros de redes neuronales y los resultados fueron más que prometedores. A partir de lo observado después de realizar los experimentos y comparar la técnica propuesta con otras que se han utilizado para conjuntos de datos de clasificación y también de regresión, hubo una diferencia significativa en el rendimiento de la técnica propuesta, comenzando con un 30% para conjuntos de datos de clasificación y alcanzando un 50% para problemas de regresión. Sin embargo, la técnica propuesta, al suponer el uso de técnicas de optimización global que involucran redes neuronales artificiales, puede requerir un tiempo de ejecución significativamente mayor que otras técnicas.