En el mundo actual del Internet de las cosas, el ciberespacio, los dispositivos móviles, las empresas, las plataformas de redes sociales, los sistemas de atención médica, etc., hay mucha información en línea hoy en día. El aprendizaje automático (ML) es algo que necesitamos entender para realizar análisis inteligentes de estos datos y crear aplicaciones inteligentes y automatizadas que los utilicen. Hay muchos tipos diferentes de algoritmos de aprendizaje automático. Los más conocidos son los supervisados, no supervisados, semi-supervisados y de refuerzo. Este artículo repasa todos los diferentes tipos de problemas de aprendizaje automático y los algoritmos de aprendizaje automático que se utilizan para resolverlos. Lo principal que este estudio añade es una mejor comprensión de la teoría detrás de muchos métodos de aprendizaje automático y cómo pueden ser utilizados en el mundo real, como en energía, salud, finanzas, conducción autónoma, comercio electrónico y muchos otros campos. Este artículo pretende ser un recurso de referencia para investigadores académicos, científicos de datos e ingenieros de aprendizaje automático cuando se trata de tomar decisiones sobre una amplia gama de datos y métodos para comenzar a extraer información de los datos y averiguar qué tipo de algoritmo de aprendizaje automático funcionará mejor para su problema y qué resultados pueden esperar. Además, este artículo presenta los principales desafíos en la construcción de modelos de aprendizaje automático y explora las brechas de investigación en esta área. En este artículo, también proporcionamos una breve descripción de las leyes de protección de datos y sus disposiciones en diferentes países.