La enfermedad de Alzheimer (EA) es una creciente crisis de salud pública, una preocupación de salud muy global y un trastorno neurodegenerativo progresivo e irreversible del cerebro para el cual todavía no hay cura. A nivel mundial, representa el 60-80% de los casos de demencia, lo que aumenta la necesidad de una clasificación temprana precisa y efectiva. El trabajo propuesto utilizó un conjunto de datos de envejecimiento saludable de los EE. UU. y se centró en tres enfoques de aprendizaje por transferencia: VGG16, VGG19 y Alex Net. Este trabajo aprovechó cómo funcionan las capas de modelo de convolución y de agrupación para mejorar y reducir el sobreajuste, a pesar de los desafíos en el entrenamiento del conjunto de datos numéricos. VGG fue elegido preferiblemente como una capa oculta ya que tiene una arquitectura más diversa, profunda y simple con un mejor rendimiento al tratar con conjuntos de datos más grandes. Consume menos memoria y tiempo de entrenamiento. Se realizó un análisis comparativo utilizando técnicas de algoritmos de aprendizaje automático y redes neuronales. Se experimentó y comparó métricas de rendimiento como precisión, tasa de error, precisión, recall, puntuación F1, sensibilidad, especificidad, estadísticas kappa, ROC y RMSE. La precisión fue del 100% para VGG16 y VGG19 y del 98.20% para Alex Net. La precisión fue del 99.9% para VGG16, del 96.6% para VGG19 y del 100% para Alex Net; los valores de recall fueron del 99.9% para los tres casos de VGG16, VGG19 y Alex Net; y la métrica de sensibilidad fue del 96.8% para VGG16, del 97.9% para VGG19 y del 98.7% para Alex Net, lo que ha superado en comparación con los enfoques existentes para la clasificación de la enfermedad de Alzheimer. Esta investigación contribuye al avance del conocimiento predictivo, lo que conduce a futuras evaluaciones empíricas, experimentación y pruebas en el campo biomédico.