O fresamento é um processo de fabricação por usinagem amplamente utilizado nos dias de hoje, principalmente nos setores aeroespacial, automobilístico, molde e matrizes, defesa, entre outros. Sua grande vantagem de utilização está na capacidade de trabalhar com ferramentas de corte com múltiplas arestas cortantes, o que permite uma alta taxa de remoção de material. Entretanto, os requisitos de fabricação de peças estão se tornando cada vez mais apertados e complexos, com novos materiais sendo utilizados e tolerâncias cada vez menores. Dessa forma, o estudo dos parâmetros envolvidos neste processo se tornou essencial no que tange o desenvolvimento da tecnologia de usinagem de novos equipamentos e ferramentas. Um dos principais parâmetros estudados é a força de usinagem, ela está diretamente ligada a projetos de novas máquina-ferramenta, a usinagem de materiais mais resistentes, a criação de novas ferramentas de corte, sendo então imprescindível conhecer sobre a sua forma de atuação, comportamento durante a usinagem e, indo além disso, a capacidade de se poder prevê-la. O método convencional para modelar a força de usinagem é através de equações ou modelos matemáticos, que, mesmo com sua comprovada utilidade, são considerados estáticos e não englobam grande parte das variáveis presentes no processo. Sendo assim, este trabalho teve como objetivo aplicar técnicas mais recentes para conseguir prever a força de usinagem no processo de fresamento, através de modelos de aprendizado de máquina, como rede neural artificial (RNA) e validação cruzada (VC). Se utilizou dos parâmetros de corte: profundidade de corte, penetração de trabalho e avanço por dente, como valores de entrada para os modelos (inputs) e a força resultante de usinagem ( ) como valor de saída (output). Foram executados ensaios experimentais de fresamento para a obtenção desses conjuntos de dados. Duas técnicas foram utilizadas para treinamento e validação do modelo de RNA e seis técnicas para o modelo de VC. Para as RNAs foram obtidos erros de predição MAPE de 7,01% e 5,61% e para os modelos de VC erros variando entre 6% e 7%, tendo as técnicas com aproximações por regressão linear os melhores resultados. Ambos os erros de predição, nos dois modelos, foram considerados excelentes para o objetivo proposto.