Este proyecto aborda el diseño y análisis de un algoritmo de predicción de espectro basado en técnicas de Machine Learning (ML) para la banda ISM de 2.4GHz, ampliamente utilizada en aplicaciones inalámbricas como Wi-Fi, Bluetooth y dispositivos IoT. La creciente congestión de esta banda ha motivado la implementación de un algoritmo de predicción del uso del espectro para mejorar la eficiencia en entornos de alta densidad de usuarios. El trabajo se centra en el desarrollo de un modelo de redes neuronales tipo LSTM (Long Short-Term Memory) para predecir la disponibilidad del espectro. El sistema fue entrenado con datos recolectados en entornos reales y se validó con pruebas controladas. Los resultados obtenidos demuestran la eficacia del modelo con un nivel de precisión del 80%, lo que permite optimizar el uso del espectro en redes inalámbricas, reduciendo interferencias y mejorando la calidad de servicio. Finalmente, se presentan recomendaciones para mejorar la precisión del modelo y su aplicabilidad en futuros estudios sobre redes cognitivas y aplicaciones de IoT. Palabras Clave: algoritmo de predicción, Machine Learning, LSTM, espectro