Realizamos una evaluación crítica de modelos de aprendizaje automático y aprendizaje profundo para la clasificación de tumores de piel. Los algoritmos de aprendizaje automático (ML) probados en este trabajo incluyen regresión logística, análisis discriminante lineal, clasificador de k-vecinos más cercanos, clasificador de árbol de decisiones y Bayes ingenuo gaussiano, mientras que los modelos de aprendizaje profundo (DL) empleados se basan en un modelo de Red Neuronal Convolucional personalizado, o utilizan transferencia de aprendizaje a través del uso de modelos pre-entrenados (VGG16, Xception y ResNet50). Descubrimos que los modelos DL, con precisión de hasta 0.88, superan a todos los modelos de ML. Los modelos de ML muestran precisión por debajo de 0.72, que puede aumentarse hasta 0.75 con aprendizaje de conjunto. Para evaluar aún más el rendimiento de los modelos DL, los probamos en un conjunto de datos más grande y desequilibrado. Métricas, como el puntaje F y la precisión, indican que, después de un ajuste fino, los modelos pre-entrenados funcionan extremadamente bien para la clasificación de tumores de piel. Esto es especialmente notable en el caso de VGG16, que presenta un puntaje F de 0.88 y una precisión de 0.88 en la base de datos más pequeña, y métricas de 0.70 y 0.88, respectivamente, en la base de datos más grande.