En el presente trabajo de investigación se implementan sistemas de control re-alimentados para regular la velocidad y posición de un motor brushless DC, así como la temperatura generada por una resistencia calefactora. Las implementaciones emplean técnicas de Machine Learning, específicamente el Proceso Gaussiano y una Red Neuronal Anticipativa (RNA) con el fin de predecir la respuesta de las variables físicas del sistema. Posteriormente, se determinan los parámetros óptimos del controlador PID (Proportional Integral Derivative) mediante un enfoque basado en descenso de gradiente. Con fines comparativos, se desarrollan también sistemas de control empleando un PID convencional. Las simulaciones de los sistemas se realizan en MATLAB/Simulink y las implementaciones se llevan a cabo en la Maleta de Entrenamiento Siemens del laboratorio de Sistemas de Control de la Universidad de Ing...