Varios modelos de predicción de brotes de COVID-19 están siendo utilizados por funcionarios de todo el mundo para tomar decisiones informadas y aplicar medidas de control relevantes. Entre los modelos estándar para la predicción de la pandemia global de COVID-19, los modelos epidemiológicos y estadísticos simples han recibido más atención por parte de las autoridades, y estos modelos son populares en los medios de comunicación. Debido a un alto nivel de incertidumbre y la falta de datos esenciales, los modelos estándar han mostrado una baja precisión para la predicción a largo plazo. Aunque la literatura incluye varios intentos de abordar este problema, las capacidades esenciales de generalización y robustez de los modelos existentes necesitan ser mejoradas. Este artículo presenta un análisis comparativo de modelos de aprendizaje automático y de cómputo suave para predecir el brote de COVID-19 como una alternativa a los modelos susceptible-infectado-recuperado (SIR) y susceptible-expuesto-infectado-eliminado (SEIR). Entre una amplia gama de modelos de aprendizaje automático investigados, dos modelos mostraron resultados prometedores (es decir, perceptrón multicapa, MLP; y sistema de inferencia difusa basado en redes adaptativas, ANFIS). Basándose en los resultados reportados aquí, y debido a la naturaleza altamente compleja del brote de COVID-19 y la variación en su comportamiento en diferentes naciones, este estudio sugiere el aprendizaje automático como una herramienta efectiva para modelar el brote. Este artículo proporciona una referencia inicial para demostrar el potencial del aprendizaje automático para investigaciones futuras. Además, sugiere que una novedad genuina en la predicción de brotes puede ser realizada integrando el aprendizaje automático y los modelos SEIR.