El ascenso del Internet de las Cosas (IoT) ha transformado nuestras vidas diarias al conectar objetos a Internet, creando así entornos interactivos y automatizados. Sin embargo, esta rápida expansión plantea importantes preocupaciones de seguridad, especialmente en lo que respecta a la detección de intrusiones. Los sistemas tradicionales de detección de intrusiones (IDSs) suelen ser poco adecuados para las redes dinámicas y variadas características del IoT. El aprendizaje automático está surgiendo como una solución prometedora a estos desafíos, ofreciendo la inteligencia y flexibilidad necesarias para contrarrestar amenazas complejas y en evolución. Esta revisión exhaustiva explora diferentes enfoques de aprendizaje automático para la detección de intrusiones en sistemas IoT, abarcando métodos supervisados, no supervisados y de aprendizaje profundo, así como modelos híbridos. Evalúa su efectividad, limitaciones y aplicaciones prácticas, resaltando el potencial del aprendizaje automático para mejorar la seguridad de los sistemas IoT. Además, el estudio examina problemas y tendencias actuales en la industria, destacando la importancia de la investigación continua para mantenerse al día con el ecosistema de seguridad del IoT en constante evolución.