Este documento presenta el método de aprendizaje automático (ML), un enfoque novedoso que podría ser una idea rentable para optimizar la gestión de flotas y lograr un rendimiento suficiente para reducir los costos operativos, disminuyendo el tiempo de espera de los camiones y el tiempo de inactividad de las excavadoras, basado en la mejor selección de la flota. El rendimiento de este método se estudió en la mina de caolín Zenouz para optimizar el tipo de cargador y el número de camiones utilizados para satisfacer las demandas de mineral de la planta de procesamiento. En consecuencia, se recopilaron, adaptaron y procesaron datos de cinco años, como fechas, condiciones climáticas, número de camiones, rutas, tipos de cargadores y mineral transportado diariamente, para entrenar los siguientes cinco algoritmos prácticos: regresión lineal, árbol de decisión, K-vecinos más cercanos, bosque aleatorio y algoritmo de aumento de gradiente. Al comparar los resultados de los algoritmos, se determinó que el algoritmo de árbol de decisión de aumento de gradiente era el más adecuado y predecía los valores de datos de prueba con un 85% de precisión. Posteriormente, se importaron 11,322 datos a la máquina como varios escenarios y se predijeron los minerales transportados diariamente como resultados de salida para cada zona de trabajo individualmente. Finalmente, se indicaron los datos que tenían la mínima variación respecto al valor programado requerido seleccionado, y sus datos relacionados con el tipo de cargador y el número de camiones demandados, para cada día del año laboral.