El estudio de los ambientes marinos-costeros conlleva un reto importante, pues presentan una gran complejidad en cuanto a las variables tanto físicas y químicas como biológicas, que interactúan entre sí de manera muchas veces no lineal. El Machine Learning (ML) es una subárea de la estadística que permite a los sistemas “aprender” de los datos que se le proporcionan. Esta es una herramienta prometedora para comprender y/o predecir fenómenos del ambiente marino. En este trabajo se presentan tres aplicaciones de ML en sistemas costeros de Uruguay con problemáticas ambientales que requieren la aplicación de algoritmos novedosos en el área que permitan abordar problemas no lineales y complejos. Por un lado, la aplicación de meta-learning (Stacking-RandomForest) para integrar datos de campañas científicas y conocimiento ecológico local en la generación de un modelo de distribución del Caracol negro (Pachycymbiola brasiliana). En segundo lugar, la generación de modelos predictivos (árboles de regresión y RandomForest) de la altura del mar a partir de datos in situ de nivel del mar y atmosféricos (e.g. dirección e intensidad de viento, presión atmosférica) del mareógrafo y la estación meteorológica en el puerto de La Paloma, Rocha. Por último, la clasificación de organismos de fitoplancton en grupos funcionales basados en morfología, a partir de conocimiento experto y árboles de clasificación (CART). La combinación de estrategias de ML permite comprender el ambiente costero y contribuir a la predicción de fenómenos complejos de importancia para la gestión costera.