La comunicación óptica de espacio libre (FSO), que tiene el potencial de satisfacer la demanda de comunicaciones de alta velocidad entre satélites y estaciones terrestres, requiere una alineación precisa entre el transmisor y el receptor para establecer un enlace de canal de línea de visión. En este documento, proponemos un enfoque basado en aprendizaje automático (ML) para reducir los errores de apuntamiento del haz en las comunicaciones satelitales de FSO a tierra sujetas a vibración del satélite y turbulencia atmosférica débil. Se utilizan modelos de ML para encontrar la ganancia óptima, que desempeña un papel crucial en la reducción del desplazamiento del error de apuntamiento en un sistema FSO de bucle cerrado. En el diseño del entorno FSO, empleamos varios parámetros del modelo del sistema, incluidos los componentes de la matriz de control y sistema del transmisor y receptor, parámetros de ruido para el canal óptico, irradiancia y el índice de cintilación de la señal. Para predecir la matriz de ganancia del sistema de bucle cerrado, se aplican métodos de ML, como algoritmos basados en árboles, y una red neuronal convolucional 1D (Conv1D). Los resultados experimentales muestran que el modelo Conv1D supera a otros métodos de ML en la predicción del valor de ganancia, lo que ayuda a mantener la posición del haz centrada en la apertura del receptor, minimizando los errores de apuntamiento del haz. Al construir un sistema de bucle cerrado basado en el modelo Conv1D, la varianza del error del desplazamiento del error de apuntamiento se obtuvo como 0.012 y 0.015 en condiciones de clima despejado y neblina ligera, respectivamente. Además, esta investigación analiza el impacto de las características de entrada en un sistema de FSO de bucle cerrado y compara el rendimiento del error de apuntamiento de la configuración de bucle cerrado con la configuración de bucle abierto convencional bajo turbulencia débil.