Detectar la mastitis a tiempo en vacas lecheras es crucial para mantener la producción de leche y prevenir pérdidas económicas significativas, y el aprendizaje automático ha ganado recientemente una atención significativa como una solución prometedora para abordar este problema. La mayoría de los estudios han detectado la mastitis en datos de series temporales utilizando un modelo de aprendizaje supervisado, lo que requiere una escala de datos etiquetados; sin embargo, la anotación del inicio de la mastitis en los datos de ordeño de vacas lecheras es muy difícil y costosa, mientras que el aprendizaje supervisado se basa en etiquetas precisas para garantizar el rendimiento. Por lo tanto, este estudio propuso una clasificación de mastitis basada en el aprendizaje de representaciones débilmente supervisado utilizando un autoencoder en datos de ordeño de series temporales, lo que permite el aprendizaje de representaciones de ordeño concurrente y una supervisión débil con etiquetas de bajo costo. El método propuesto empleó una estructura donde el clasificador se ramifica desde el espacio latente de un autoencoder convolucional 1D, lo que permite el aprendizaje de representaciones de datos de ordeño que se realice desde la perspectiva de reconstruir la información original y detectar la mastitis. El clasificador ramificado retropropaga los síntomas de mastitis, que son menos costosos que el diagnóstico de mastitis, durante el aprendizaje de representación del codificador. Los resultados mostraron que el método propuesto logró un puntaje F1 de 0.6 que demuestra un rendimiento comparable a estudios anteriores a pesar de utilizar etiquetas de bajo costo. Nuestro método tiene la ventaja de ser fácilmente reproducible en diversos dominios de datos a través de la anotación de bajo costo para el aprendizaje supervisado y es práctico ya que se puede implementar con solo datos de ordeño y etiquetas débiles, que se pueden recolectar en el campo.