La adopción de la selección genómica es prevalente en diversas especies de plantas y ganado, sin embargo, los modelos existentes para predecir los valores genómicos de cría a menudo siguen siendo subóptimos. Los modelos de aprendizaje automático presentan una vía prometedora para mejorar la precisión de la predicción debido a su capacidad para acomodar tanto relaciones lineales como no lineales. En este estudio, evaluamos cuatro modelos de aprendizaje automático: Random Forest, Support Vector Machine, Redes Neuronales Convolucionales y Perceptrones Multicapa, para predecir valores genómicos relacionados con el peso al nacer (BW), el peso al destete (WW) y el peso al año (YW), y los comparamos con otros modelos convencionales: GBLUP (Predicción Genómica Mejor Lineal No Sesgada), Bayes A y Bayes B. Los resultados demostraron que el modelo GBLUP logró la mayor precisión de predicción tanto para BW como para YW, mientras que el modelo Random Forest mostró una precisión de predicción superior para WW. Además, GBLUP superó a los otros modelos en términos de ajuste del modelo, como lo evidencian los menores valores de error cuadrático medio y los coeficientes de regresión de los fenotipos corregidos sobre los valores predichos. En general, el modelo GBLUP ofreció una precisión de predicción y un ajuste del modelo superiores en comparación con los modelos de aprendizaje automático probados.