Este documento presenta un estudio comparativo integral de enfoques de aprendizaje profundo para agrupar funciones matemáticas según sus patrones de comportamiento. Investigamos tres estrategias de incrustación distintas: aprendizaje no supervisado basado en autoencoders, clasificación supervisada con incrustaciones aprendidas y extracción directa de características convolucionales. Cada enfoque transforma funciones continuas en representaciones vectoriales significativas que capturan características matemáticas esenciales. A través de una extensa experimentación y múltiples técnicas de visualización, demostramos que el aprendizaje supervisado con orientación explícita sobre el tipo de función produce las incrustaciones más discriminativas, logrando un puntaje promedio de silueta de 0.6. Nuestros hallazgos proporcionan valiosas ideas sobre la efectividad relativa de diferentes paradigmas de aprendizaje de representación para el análisis de funciones matemáticas.