Resolver problemas de optimización de restricciones (COPs) puede simplificarse drásticamente mediante la estimación de límites, es decir, proporcionando límites ajustados de las funciones de coste. Al alimentar un modelo de Aprendizaje Automático (ML) supervisado con datos compuestos por los límites conocidos y características extraídas de COPs, es posible entrenar el modelo para estimar los límites de una nueva instancia de COP. En este artículo, primero ofrecemos una visión general del cuerpo existente de conocimiento sobre ML para Programación de Restricciones (CP), que aprende de instancias de problemas. En segundo lugar, presentamos un marco de estimación de límites que se aplica como una herramienta para apoyar a un solucionador de CP. Dentro de este marco, se discuten y evalúan diferentes modelos de ML con respecto a su idoneidad para la estimación de límites, y se muestran contramedidas para evitar estimaciones inviables que impidan que el solucionador encuentre una solución óptima. En tercer lugar, presentamos un estudio experimental con distintos solucionadores de CP en siete COPs. Nuestros resultados muestran que se pueden aprender límites casi óptimos para estos COPs con solo un pequeño sobrecoste. Estos límites estimados reducen el tamaño del dominio objetivo en un 60-88% y pueden ayudar al solucionador a encontrar soluciones casi óptimas temprano durante la búsqueda.