Los modelos basados en datos utilizados para tareas predictivas de clasificación y regresión son comúnmente calculados usando aritmética de punto flotante y computadoras potentes. Abordamos las limitaciones en redes de sensores distribuidas como IoT, edge y cómputo integrado en materiales, proporcionando solo computadoras integradas de recursos bajos con datos de sensor que son adquiridos y procesados localmente. Las redes de sensores se caracterizan por sistemas heterogéneos fuertes. Este trabajo introduce y evalúa una arquitectura de máquina virtual que proporciona ML como una capa de servicio (MLaaS) a nivel de nodo y aborda computadoras integradas distribuidas con muy pocos recursos (con menos de 20 kB de RAM). La VM proporciona un conjunto de instrucciones de arquitectura unificado de ML que puede ser programado para implementar árboles de decisión, arquitecturas de modelos de ANN y CNN utilizando solo aritmética de enteros escalados. Los modelos son entrenados principalmente offline usando aritmética de punto flotante, finalmente convertidos por un proceso iterativo de escala y transformación, demostrado en este trabajo mediante dos pruebas basadas en datos simulados y sintéticos. Este artículo es una versión extendida del artículo de la conferencia FedCSIS 2023 que proporciona nuevos algoritmos y aplicaciones de ML, incluidas tareas de regresión y clasificación basadas en ANN/CNN estudiando los efectos de la discretización en la precisión de clasificación y regresión.