Muchos sistemas de detección y prevención de intrusiones (IDPS) se han introducido para identificar actividades sospechosas. Sin embargo, dado que los atacantes están explotando nuevas vulnerabilidades en los sistemas y están empleando ciberataques avanzados más sofisticados, estos ataques de día cero permanecen ocultos para los IDPS en la mayoría de los casos. Estas características han incentivado a muchos investigadores a proponer diferentes técnicas basadas en inteligencia artificial para prevenir, detectar y responder a tales ataques avanzados. Esto también ha creado una nueva necesidad de una comparación exhaustiva de los esquemas existentes en varios aspectos; después de un estudio minucioso, encontramos que actualmente no existe un análisis comparativo detallado de las técnicas basadas en inteligencia artificial publicadas en los últimos cinco años. Por lo tanto, hay una necesidad de que este tipo de trabajo se publique, ya que hay muchas análisis comparativos en otros campos de la ciberseguridad que están disponibles para que los lectores los revisen. En este documento, proporcionamos una revisión exhaustiva de la literatura más reciente, que presenta algoritmos de aprendizaje automático y aprendizaje profundo bien conocidos y los desafíos que enfrentan al detectar ataques de día cero. Después de estos análisis cualitativos, presentamos los resultados de la evaluación comparativa con respecto a la mayor precisión, recuperación y puntuación F1 en comparación con diferentes conjuntos de datos.