El aprendizaje automático (ML) está transformando la química computacional al acelerar las simulaciones moleculares, la predicción de propiedades y el diseño inverso. Central en esta transformación está la optimización matemática, que sustenta casi todas las etapas del desarrollo del modelo, desde el entrenamiento de redes neuronales y ajuste de hiperparámetros hasta la navegación en el espacio químico para el descubrimiento molecular. Esta revisión presenta una visión estructurada de las técnicas de optimización utilizadas en ML para la química computacional, incluyendo métodos basados en gradientes (por ejemplo, SGD y Adam), enfoques probabilísticos (por ejemplo, muestreo de Monte Carlo y optimización bayesiana) y métodos espectrales. Clasificamos los objetivos de optimización en optimización de parámetros del modelo, selección de hiperparámetros y optimización molecular, y analizamos su aplicación en marcos de aprendizaje supervisado, no supervisado y de refuerzo. Además, examinamos desafíos clave como la escasez de datos, la generalización limitada y el costo computacional, describiendo cómo estrategias matemáticas como el aprendizaje activo, el meta-aprendizaje y modelos híbridos informados por la física pueden abordar estos problemas. Al unir la metodología de optimización con desafíos específicos del dominio, esta revisión destaca cómo las estrategias de optimización personalizadas mejoran la precisión, eficiencia y escalabilidad de los modelos de ML en química computacional.