El interés en la predicción de series temporales caóticas ha crecido en los últimos años debido a sus múltiples aplicaciones en campos como el clima y la salud. En este trabajo, resumimos la contribución de múltiples trabajos que utilizan diferentes métodos de aprendizaje automático (ML) para predecir series temporales caóticas. Se destaca que el desafío es predecir un horizonte más amplio con bajo error, y para esta tarea, la mayoría de los autores utilizan conjuntos de datos generados por sistemas caóticos como Lorenz, Rössler y Mackey-Glass. Entre la clasificación y descripción de diferentes métodos de aprendizaje automático, este trabajo toma como estudio de caso la Red de Estado del Eco (ESN) para mostrar que su optimización puede llevar a mejorar el horizonte de predicción de series temporales caóticas. Se presentan diferentes métodos de optimización aplicados a diferentes métodos de aprendizaje automático para apreciar que las metaheurísticas son una buena opción para optimizar un ESN. De esta manera, un ESN en modo de bucle cerrado se optimiza aquí aplicando la Optimización por Enjambre de Partículas. Los resultados de predicción del ESN optimizado muestran un aumento de aproximadamente el doble en el número de pasos adelante, resaltando así la utilidad de realizar una optimización a los hiperparámetros de un método de ML para aumentar el horizonte de predicción.