Los métodos de análisis de datos apenas han mantenido el ritmo con el rápido aumento de las observaciones de la Tierra, lo que ha impulsado el desarrollo de nuevos algoritmos, métodos de almacenamiento y técnicas computacionales. Para los científicos interesados en Marte, el problema siempre es el mismo: nunca hay suficientes datos adecuados y, al mismo tiempo, hay una cantidad abrumadora de datos en total. Encontrar suficientes agujas en un pajar para probar una hipótesis requiere horas de revisión manual de datos, y constantemente se añaden más agujas y paja. Hasta la fecha, la gran mayoría de la investigación marciana se ha centrado en estudios locales/regionales únicos o en estudios globales manuales que consumen mucho tiempo. El aprendizaje automático en sus numerosas formas puede ser útil para futuros trabajos de este tipo. El aprendizaje automático tiene el potencial de ayudar a mapear y clasificar una gran variedad de características y propiedades en la superficie de Marte y de ayudar en la planificación y ejecución de futuras misiones. Aquí, esbozamos la extensión actual del aprendizaje automático aplicado a Marte, resumimos por qué el aprendizaje automático debería ser una herramienta importante para la geomorfología planetaria en particular, y sugerimos numerosas avenidas de investigación y prioridades de financiación para futuros esfuerzos. Concluimos que: (1) avanzar hacia métodos que requieran menos intervención humana (es decir, auto- o semi-supervisados) es un cambio de paradigma importante para las aplicaciones marcianas, (2) nuevos métodos robustos que utilizan redes generativas adversariales para generar modelos digitales de terreno sintéticos de alta resolución representan una nueva y emocionante avenida para los geomorfólogos marcianos, (3) se debe dirigir más esfuerzo y dinero hacia el desarrollo de conjuntos de datos estandarizados y pruebas de referencia, y (4) la comunidad necesita un sistema de información geográfica (SIG) de gran escala, generalizado y accesible programáticamente.