Los aleaciones de alta entropía (HEAs) han atraído un interés mundial debido a sus excelentes propiedades y vasto espacio composicional para el diseño. Sin embargo, obtener HEAs con baja densidad y altas propiedades a través de métodos experimentales de prueba y error resulta en baja eficiencia y altos costos. Aunque el cálculo de alto rendimiento (HTC) mejora la eficiencia del diseño de HEAs, la precisión de la predicción está limitada debido a la correlación indirecta entre los valores de cálculo teórico y el rendimiento. Recientemente, el aprendizaje automático (ML) a partir de datos reales ha atraído una atención creciente para ayudar en el diseño de materiales, que está estrechamente relacionado con el rendimiento. Esta revisión introduce modelos y algoritmos de ML comunes y avanzados que se utilizan en el diseño actual de HEA. Se analizan las ventajas y limitaciones de estos modelos y algoritmos de ML, y también se discuten sus posibles debilidades y estrategias de optimización correspondientes. Esta revisión sugiere que la adquisición, utilización y generación de datos efectivos son los temas clave para el desarrollo de modelos y algoritmos de ML para el futuro diseño de HEA.