La mecánica de fluidos a menudo implica sistemas complejos caracterizados por un gran número de parámetros físicos, que generalmente se describen mediante datos experimentales y numéricos escasos (temporales o espaciales). La dificultad de obtener conjuntos de datos espaciotemporales completos es un problema común con los enfoques convencionales, como la dinámica de fluidos computacional (CFD) y varios métodos experimentales, particularmente al evaluar y modelar flujos turbulentos. Este artículo de revisión se centra en la integración del aprendizaje automático (ML), específicamente redes neuronales informadas por la física (PINNs), como un medio para abordar este desafío. Al incorporar directamente las ecuaciones físicas gobernantes en el entrenamiento de redes neuronales, las PINNs presentan un método novedoso que permite la reconstrucción del flujo a partir de datos escasos y ruidosos. Esta revisión examina diversas aplicaciones en mecánica de fluidos donde los datos escasos son un problema común y evalúa la efectividad de las PINNs en mejorar la precisión de la predicción del flujo. Se discute una visión general de diversos métodos de PINNs, sus aplicaciones y resultados, demostrando su flexibilidad y efectividad para abordar desafíos relacionados con datos escasos e ilustrando que el futuro de la mecánica de fluidos radica en la sinergia entre enfoques basados en datos y teorías físicas establecidas.