El aprendizaje federado (FL) es un esquema en el que varios consumidores trabajan colectivamente para resolver problemas de aprendizaje automático (ML), con un colector dominante que sincroniza el procedimiento. Esta decisión permite que los datos de entrenamiento se distribuyan, garantizando que los datos de cada dispositivo estén aislados. El artículo revisó sistemáticamente la literatura disponible utilizando el principio orientador de los Elementos Preferidos para la Presentación de Informes para Revisiones Sistemáticas y Meta-análisis (PRISMA). El estudio presenta una revisión sistemática de los enfoques de ML aplicables para FL, revisa la categorización de FL, discute las áreas de aplicación de FL, presenta la relación entre FL y la Tecnología Blockchain (BT), y discute algunas literaturas existentes que han utilizado enfoques de FL y ML. El estudio también examinó modelos de aprendizaje automático aplicables para el aprendizaje federado. Las medidas de inclusión fueron (i) publicadas entre 2017 y 2021, (ii) escritas en inglés, (iii) publicadas en una revista científica revisada por pares, y (iv) artículos publicados en preprints. Se eliminaron del análisis estudios no publicados, tesis y disertaciones, (ii) artículos de conferencias, (iii) no en inglés, y (iv) que no utilizaron modelos de inteligencia artificial y tecnología blockchain. En total, se examinaron finalmente 84 artículos elegibles en este estudio. Finalmente, en los últimos años, la cantidad de investigaciones sobre ML utilizando FL ha aumentado. Se ha alcanzado una precisión equivalente a las técnicas estándar basadas en características, y los conjuntos de varios algoritmos pueden producir incluso mejores resultados. Descubrimos que los mejores resultados se obtuvieron del diseño híbrido de un conjunto de ML que emplea características expertas. Sin embargo, hay algunas dificultades y problemas adicionales que deben superarse, como la eficiencia, la complejidad y conjuntos de datos más pequeños. Además, se deben investigar nuevas aplicaciones de FL desde el punto de vista de los conjuntos de datos y las metodologías.