Mientras que los modelos empíricos de fragmentación de rocas son fáciles de parametrizar para el diseño de explosiones, suelen ser propensos a errores, lo que resulta en una predicción menos precisa del tamaño de los fragmentos. Entre otras deficiencias, estos modelos pueden no ser capaces de tener en cuenta con precisión la relación no lineal que existe entre los parámetros de entrada y salida de la fragmentación. Los algoritmos de aprendizaje automático (ML) son potencialmente capaces de tener en cuenta mejor la relación no lineal. Con este fin, evaluamos el potencial de las técnicas de ML de red neuronal artificial (ANN) multicapa y regresión de vectores de soporte (SVR) en la predicción de la fragmentación de rocas. Utilizando parámetros geométricos, explosivos y de roca, construimos modelos de ANN y SVR para predecir el tamaño medio de los fragmentos de roca. Ambos modelos producen resultados satisfactorios y muestran un rendimiento superior en comparación con el modelo convencional de Kuznetsov. Además, demostramos un medio automatizado de analizar un número variado de capas ocultas para una ANN utilizando optimización bayesiana en la biblioteca Keras de Python.