Como uno de los mayores desafíos agrícolas, la predicción de rendimiento es un tema importante para los productores, las partes interesadas y el mercado global de comercio. La mayoría de la variación en el rendimiento se atribuye a factores ambientales como las condiciones climáticas, el tipo de suelo y las prácticas de cultivo. Las redes neuronales artificiales (ANN) y la regresión de bosques aleatorios (RFR) son herramientas de aprendizaje automático que se utilizan de manera inequívoca para la predicción del rendimiento de los cultivos. Hay una investigación limitada sobre la aplicación de estos modelos matemáticos para la predicción del rendimiento y calidad de la colza. Se realizó un estudio de cuatro años (2015-2018) en la República de Serbia con 40 genotipos de colza de invierno. El ensayo de campo se diseñó como un diseño de bloques completos al azar en tres repeticiones. Se utilizaron modelos ANN, basados en el algoritmo iterativo Broyden-Fletcher-Goldfarb-Shanno, y RFR para la predicción del rendimiento de semillas, aceite y proteína, contenido de aceite y proteína, y peso de 1000 semillas, basado en el año de producción y genotipo. El mejor año de producción para el cultivo de colza fue 2016, cuando se lograron los mayores rendimientos de semillas y aceite, 2994 kg/ha y 1402 kg/ha, respectivamente. El modelo RFR mostró mejores capacidades de predicción en comparación con el modelo ANN (los valores para la predicción de variables de salida fueron 0,944, 0,935, 0,912, 0,886, 0,936 y 0,900, para contenido de aceite y proteína, rendimiento de semillas, peso de 1000 semillas, rendimiento de aceite y proteína, respectivamente).