En los últimos años, el aprendizaje automático se ha revelado como una poderosa herramienta para aprender complejas combinaciones de entrada y salida, lo que permite su aplicación a diversos ámbitos científicos. En el ámbito de la ciencia de materiales, este enfoque resulta especialmente útil para determinar las energías de banda prohibida en óxidos de alta entropía mediante espectroscopia UV-Vis. Los algoritmos de aprendizaje automático destacan en la tarea de descifrar intrincadas relaciones entre variables de entrada, como los datos espectrales, y parámetros de salida deseados, como las energías de banda prohibida. Mediante el entrenamiento en amplios conjuntos de datos que abarcan espectros UV-Vis y los correspondientes valores de brecha de banda para materiales conocidos, estos algoritmos pueden aprender a captar los patrones y correlaciones subyacentes que rigen las respuestas espectroscópicas. Posteriormente, pueden utilizarse para predecir las energías de banda prohibida de nuevos materiales, ofreciendo un enfoque racionalizado y basado en datos para la caracterización de materiales. En este proyecto, proporcionamos un marco de aprendizaje automático y comparamos la eficacia del algoritmo con la de otros algoritmos analíticos anteriores.