En los últimos años, los algoritmos de aprendizaje automático (ML) han surgido como herramientas poderosas para predecir y modelar datos complejos. Por lo tanto, el objetivo de este estudio fue evaluar la capacidad de predicción de diferentes algoritmos de ML y un modelo empírico tradicional para estimar los parámetros de las curvas de lactancia. Se utilizaron un total de 1186 registros mensuales de 156 lactancias de ovejas. El proceso de desarrollo del modelo implicó entrenar y probar modelos utilizando algoritmos de ML. Además de estos algoritmos, las curvas de lactancia también se ajustaron utilizando el modelo de Wood. La bondad de ajuste se evaluó utilizando el coeficiente de correlación (r), el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error absoluto relativo (RAE) y el error cuadrático medio relativo (RRSE). SMOreg fue el algoritmo con las mejores estimaciones de las características de la curva de lactancia de las ovejas, con valores más altos de r en comparación con el modelo de Wood (0.96 frente a 0.68) para el rendimiento total de leche. Los resultados del presente estudio mostraron que los algoritmos de ML son capaces de predecir adecuadamente las características de la curva de lactancia, utilizando un número relativamente pequeño de datos de entrada. Algunos algoritmos de ML proporcionan una arquitectura interpretable, lo que es útil para la toma de decisiones a nivel de granja para maximizar el uso de la información disponible.