El aprendizaje automático se ha vuelto indispensable en diversos campos, sin embargo, comprender sus fundamentos teóricos sigue siendo un desafío para muchos practicantes e investigadores. A pesar de la disponibilidad de numerosos recursos, existe la necesidad de un tutorial cohesivo que integre principios fundamentales con teorías de vanguardia. Este artículo aborda los conceptos y teorías fundamentales del aprendizaje automático, con énfasis en las redes neuronales, sirviendo tanto como una exploración fundamental como un tutorial. Comienza presentando conceptos esenciales en el aprendizaje automático, incluidos varios métodos de aprendizaje e inferencia, seguidos de funciones de criterio, aprendizaje robusto, discusiones sobre aprendizaje y generalización, selección de modelos, compensación de sesgo-varianza y el papel de las redes neuronales como aproximadores universales. Posteriormente, el artículo se adentra en la teoría computacional del aprendizaje, con la teoría del aprendizaje probablemente aproximadamente correcto (PAC) como su piedra angular. Conceptos clave como la dimensión VC, la complejidad de Rademacher y el principio de minimización de riesgos empíricos se presentan como herramientas para establecer límites de error de generalización en modelos entrenados. El teorema fundamental de la teoría del aprendizaje establece la relación entre la capacidad de aprendizaje PAC, la dimensión Vapnik-Chervonenkis (VC) y el principio de minimización de riesgos empíricos. Además, el artículo discute el teorema de no hay almuerzo gratis, otro resultado fundamental en la teoría computacional del aprendizaje. Al sentar una base teórica rigurosa, este artículo proporciona un tutorial completo para comprender los principios que sustentan el aprendizaje automático.