El desarrollo de modelos dinámicos precisos para diversos sistemas es crucial para la optimización, control, diagnóstico de fallas y pronóstico. Los avances recientes en tecnologías de la información y plataformas informáticas permiten la adquisición de datos de entrada-salida de sistemas dinámicos, lo que resulta en un cambio de métodos basados en la física a técnicas basadas en datos en la ciencia y la ingeniería. Esta revisión examina diferentes enfoques de modelado basados en datos aplicados a la identificación de sistemas mecánicos y electrónicos. Los enfoques abarcan varias redes neuronales (NN), como la red neuronal feedforward (FNN), la red neuronal convolucional (CNN), la red neuronal de memoria a corto y largo plazo (LSTM), el transformador y técnicas emergentes de aprendizaje automático (ML), como la red neuronal informada por la física (PINN) y la identificación escasa de dinámica no lineal (SINDy). El enfoque principal se centra en aplicar estas técnicas a problemas del mundo real. Se presenta una aplicación real para demostrar la efectividad de diferentes técnicas de aprendizaje automático, a saber, FNN, CNN, LSTM, transformador, SINDy y PINN, en el modelado basado en datos y la identificación de un motor CC engranado. Los resultados muestran que las técnicas de ML consideradas (métodos tradicionales y de vanguardia) se desempeñan bien en la predicción del comportamiento de un sistema dinámico clásico como este. Además, los modelos SINDy y PINN destacan por su interpretabilidad en comparación con los otros modelos basados en datos examinados. Nuestros hallazgos muestran explícitamente el rendimiento predictivo satisfactorio de seis modelos de ML diferentes, al tiempo que destacan sus pros y contras, como la interpretabilidad y la complejidad computacional, utilizando un estudio de caso del mundo real. Los modelos desarrollados tienen diversas aplicaciones y se discuten áreas potenciales de investigación.