Mientras que las aleaciones de magnesio han atraído atención por sus propiedades ligeras en diversas aplicaciones, su susceptibilidad a la corrosión presenta un formidable desafío. En los últimos años, ha surgido el aprendizaje automático (ML) como una herramienta poderosa para predecir y aumentar las propiedades de los materiales, notablemente la resistencia a la corrosión. Esta revisión exhaustiva investiga los últimos avances y obstáculos en la utilización de técnicas de ML para investigar el comportamiento de corrosión de las aleaciones de magnesio. Este artículo profundiza en una gama de algoritmos de ML, que abarcan redes neuronales artificiales, máquinas de soporte vectorial y bosques aleatorios, elucidando sus roles en la predicción de tasas de corrosión, morfologías y otras características relacionadas con la corrosión en aleaciones de magnesio. Además, subraya los desafíos y oportunidades clave dentro de este campo, como la calidad de los datos, la interpretabilidad del modelo y la transferibilidad del modelo. Finalmente, examina el potencial de los métodos de ML en la concepción y mejora de aleaciones de magnesio dotadas de una resistencia a la corrosión superior. Esta revisión aspira a ofrecer valiosas perspectivas sobre cómo aprovechar el potencial del ML para optimizar los diseños de aleaciones de magnesio con una mayor resistencia a la corrosión, un aspecto de suma importancia en diversas industrias, incluyendo los sectores automotriz, aeroespacial y biomédico. Al abordar los desafíos inherentes al uso de ML para predecir tasas de corrosión, incluidas las limitaciones de datos y las complejidades de los mecanismos de corrosión, el ML está preparado para emerger como un instrumento potente para avanzar en el desarrollo de materiales resistentes a la corrosión.