Un número creciente de redes de transmisión de video están incorporando aplicaciones de aprendizaje automático (ML). El crecimiento de los servicios de transmisión de video ejerce una enorme presión sobre las redes y los proveedores de contenido de video que necesitan mantener proactivamente altos niveles de calidad de video. ML se ha aplicado para predecir la calidad de las transmisiones de video. Las mediciones de calidad de entrega (QoD), que capturan el rendimiento de extremo a extremo de los servicios de red, se han aprovechado en la predicción de calidad de video. La búsqueda de encriptación de extremo a extremo, por privacidad y gestión de derechos digitales, ha traído consigo una falta de visibilidad para los operadores que desean información de las métricas de calidad de video. En respuesta, se han propuesto numerosas soluciones para abordar el desafío de predecir la calidad de video a partir de métricas derivadas de QoD. Esta encuesta proporciona una revisión de estudios que se centran en técnicas de ML para predecir las métricas de QoD en servicios de transmisión de video. En el contexto de las mediciones de calidad de video, nos enfocamos en métricas de QoD, que no están vinculadas a un tipo particular de servicio de transmisión de video. A diferencia de revisiones anteriores en el área, esta contribución considera documentos publicados entre 2016 y 2021. Los enfoques para predecir QoD para video se agrupan bajo los siguientes encabezados: (1) predicción de calidad de video bajo deterioros de QoD, (2) predicción de calidad de video a partir de tráfico encriptado de transmisión de video, (3) predicción de la calidad de video en aplicaciones HAS, (4) predicción de la calidad de video en aplicaciones SDN, (5) predicción de la calidad de video en entornos inalámbricos y (6) predicción de la calidad de video en aplicaciones WebRTC. A lo largo de la encuesta, se discuten algunos desafíos e direcciones de investigación en esta área, incluyendo (1) aprendizaje automático sobre aprendizaje profundo; (2) aprendizaje profundo adaptativo para una entrega de video mejorada; (3) costo computacional e interpretabilidad; (4) redes auto-reparables y recuperación de fallas. Los hallazgos de la encuesta revelan que los algoritmos tradicionales de ML son los modelos más ampliamente adoptados para resolver problemas de predicción de calidad de video. Esta familia de algoritmos tiene mucho potencial porque son bien entendidos, fáciles de implementar y tienen requisitos computacionales más bajos que las técnicas de aprendizaje profundo.