En este esfuerzo proponemos un marco de aprendizaje basado en datos para la modelización de órdenes reducidos de la dinámica de fluidos. El diseño de modelos precisos y eficientes de órdenes reducidos para problemas dinámicos de fluidos no lineales es un desafío para muchas aplicaciones prácticas de ingeniería. Los métodos clásicos de reducción de modelos basados en proyecciones generan sistemas reducidos proyectando operadores diferenciales de orden completo en subespacios de baja dimensionalidad. Sin embargo, estas técnicas suelen conducir a inestabilidades severas en presencia de dinámicas altamente no lineales, lo que deteriora drásticamente la precisión de los modelos de órdenes reducidos. En contraste, nuestro nuevo marco aprovecha las redes lineales de múltiples pasos, basadas en esquemas implícitos de Adams-Moulton, para construir el sistema reducido. La ventaja es que el método aproxima de manera óptima el modelo de orden completo en el espacio de baja dimensionalidad con una tarea de aprendizaje supervisado dada. Además, nuestro enfoque es no intrusivo, de modo que se puede aplicar a otros sistemas dinámicos no lineales complejos con códigos heredados sofisticados. Demostramos el rendimiento de nuestro método a través de la simulación numérica de un flujo bidimensional pasado un cilindro circular con número de Reynolds Re = 100. Los resultados revelan que el nuevo modelo basado en datos es significativamente más preciso que los enfoques estándar basados en proyecciones.