En esta era de análisis de datos masivos o de alta dimensión, es decir, bases de datos con muchos registros y muchas covariables, se utilizan métodos como Machine Learning (aprendizaje automático de máquinas), Data Science (ciencia de datos), Big Data (grandes volúmenes de datos o datos en grandes dimensiones) y Data Mining (minería de datos), entre otros. Para acercarse a estos métodos, se requieren conceptos de varias áreas del conocimiento como bases de datos, matemáticas, estadística y lenguajes de programación, entre otros. Aunque los métodos son muy potentes, existen ciertos reparos después de su aplicación; una de ellas es que los procesos no se detallan de manera clara o didáctica: en algunos casos por falta de conceptos estadísticos o matemáticos; la otra es que algunos resultados parecen ser producto de una caja negra, para el usuario o investigador final, pues no se tiene claro lo que los métodos (o las máquinas) están haciendo internamente. Con base en esto, el objetivo es acercarnos, por medio de ejemplos didácticos, a la parte estadística, matemática y algorítmica de los métodos de análisis de datos masivos. En esta propuesta se comenzará con el método de Machine Learning, el cual puede definirse como un conjunto de procedimientos computador que pueden detectar automáticamente patrones en los datos, y, en algunos casos, usar estos patrones descubiertos para, por ejemplo, predecir datos futuros. En este trabajo, se presentarán varios ejemplos de análisis estadísticos; dos de ellos: i) el caso donde la variable respuesta es continua , para modelos de regresión lineal múltiple; ii) datos donde la variable respuesta es categórica (dos o más niveles), para modelos de clasificación; en ambos casos, las variables explicativas son de distinta naturaleza. En el caso de la comparación de varios métodos de Clasificación, se enseñan conceptos como los métodos de validación cruzada.