La creciente frecuencia e impacto de los ciberataques se ha convertido en un desafío crítico para la seguridad digital, especialmente en entornos donde la alfabetización digital es baja o la conciencia tecnológica es limitada. En estos casos, los usuarios son más susceptibles a prácticas maliciosas. Este trabajo se centra en la predicción de ataques cibernéticos utilizando técnicas de aprendizaje automático, con el objetivo de identificar patrones comunes en amenazas como el phishing, el ransomware y los ataques de denegación de servicio (DDoS). Para este estudio, se recopilaron y procesaron conjuntos de datos tanto públicos como académicos. Se aplicaron modelos de machine learning, como CatBoost, Random Forest, SVM, K-Nearest Neighbors (KNN), XGBoost y Regresión Logística, para evaluar su rendimiento en la detección de ciberataques. Se llevaron a cabo pruebas comparativas para cada tipo de amenaza, utilizando métricas de precisión y capacidad predictiva. Los resultados indican que CatBoost tuvo un rendimiento excepcional en la detección de phishing (0.99), mientras que Random Forest brilló en la identificación de ransomware (0.98) y KNN alcanzó un impresionante (0.99) en la detección de tráfico DDoS. Esto confirma la efectividad del aprendizaje automático en la lucha contra las amenazas. Entre los hallazgos más destacados, se encontraron patrones distintivos en URLs maliciosas, cambios en el tráfico de red y un uso inusual de protocolos, lo que subraya la necesidad de combinar técnicas automatizadas con estrategias preventivas. Este estudio establece las bases para crear herramientas de ciberseguridad más sólidas y accesibles. Como parte del trabajo futuro, se propone desarrollar una plataforma web educativa que incluya un sistema predictivo para detectar phishing, con el objetivo de aumentar la concienciación y la protección contra ciberataques.