En el presente trabajo, se investiga la posible aplicación de técnicas de aprendizaje automático en la predicción de flutter de aletas de misiles de materiales compuestos. El conjunto de datos de velocidad de flutter requerido para diferentes geometrías aerodinámicas de aletas y materiales se genera utilizando un método híbrido de recolección de datos: a partir de experimentos en túnel de viento a flujos que varían de 5 a 30 m/s a Re = 300,000 a 500,000, mientras que los datos sintéticos se recopilan utilizando un modelo de límite de flutter NACA modificado. Una vez recopilados los datos de flutter, se investigaron diferentes algoritmos de regresión y se compararon los resultados en términos de precisión (en comparación con los resultados obtenidos experimentalmente y los modelos numéricos de flutter), tiempo de entrenamiento (minimización) y valores de R-cuadrado (maximización). Los algoritmos investigados y su rendimiento analizado son la regresión de bosque rápido, la regresión SDCA (ascenso estocástico de coordenadas duales) y el algoritmo de regresión light GBM (máquina de refuerzo de gradiente ligero) que pertenece a la familia de algoritmos de regresión de refuerzo de gradiente. Se encontró que el algoritmo light GBM ofrece los resultados más precisos. Con base en esta investigación, se puede concluir que las técnicas de inteligencia artificial (aprendizaje automático) pueden implementarse con éxito en el análisis de fenómenos complejos de flutter.