Hoy en día existe un enfoque avanzado acerca de la inteligencia artificial, de la cual podemos vernos beneficiados. El proyecto trata acerca de una evaluación de modelos de machine learning (ML), los cuales permiten predecir la resistencia a compresión en pastas de cemento con adiciones minerales. Se menciona la importancia de esta propiedad característica en la industria de la construcción por lo que se propone la necesidad imperativa de desarrollar modelos predictivos que sean útiles. Se inicia con la recopilación de información experimental ya existente, después se analizan los datos a través de algoritmos de ML. Primero con su respectivo entrenamiento, después con la validación de los modelos, y finalmente con la evaluación de su precisión en la predicción. Durante el desarrollo de este proyecto, se proponen el uso de varios modelos de ML encontrados en la revisión de la literatura científica, tales como Random Forest Regressor, Gradient Boosting Regressor, Extra Tree Regressor, Extreme Gradient Boosting, Adaboost y Decision Tree Regressor. Los resultados obtenidos que han sido evaluados mediante varios parámetros estadísticos mostraron que los modelos de ML, i.e., Extra Tree Regressor y Random Forest Regressor presentan los mejores resultados en la predicción de la resistencia a la compresión. Estos resultados han sido comparados con los de la literatura que muestran coherencia en los mismos. Además, cabe resaltar que, a nuestro conocimiento, este estudio es el primero de su clase que se hace con cemento y adiciones minerales del Ecuador. Finalmente se concluye que, a partir de los resultados obtenidos, el número de variables de entradas juega un papel crucial en el ajuste de los modelos de ML a los resultados experimentales. Palabras Clave: Resistencia a Compresión, Machine Learning, cross validation, pasta de cemento