En la agricultura, el control de enfermedades se ha considerado como una tarea desafiante. Dentro de las especies que afectan el cultivo de Mora de Castilla se encuentra el hongo Botrytis cinerea, el cual puede generar pérdidas (entre el 50 y el 76 % del fruto cosechado). Generalmente, la opción empleada para combatirlo es a través de métodos químicos. Las tendencias actuales en la producción de alimentos están orientadas a obtener productos con menor carga de pesticidas, exigencias en conservación ambiental e inocuidad de los alimentos. Una ayuda para los agricultores es el desarrollo de herramientas que asistan en el proceso de toma de decisiones y en la predicción de enfermedades en el cultivo. Diversos modelos se han construido tendiendo como propósito describir el patosistema (patógeno/planta) que se estudia, donde cada uno presenta un enfoque distinto (empírico o analítico). No obstante, dichos modelos presentan sus pros y contras en términos de tiempo, esfuerzos e inversiones necesarias para su desarrollo, así como en términos de precisión y robustez. En tal panorama, los Sistemas de Recomendación (SR) son utilizados en la agricultura precisamente porque tienen como objetivo ayudar en la toma de decisiones donde al emplear algoritmos de aprendizaje de máquina permite hacer uso del historial de datos y realizar predicciones. Sin embargo, no se encontraron investigaciones publicadas que describan el patosistema Botrytis cinerea - Mora de Castilla en el campo de SR. Esto lleva a la pregunta de investigación: ¿Cómo predecir el surgimiento del hongo Botrytis cinerea en el cultivo de Mora de Castilla sin espinas (Rubus glaucus Benth) en Risaralda? En tal sentido, en la presente propuesta se propone un Modelo de Recomendación para Alerta Temprana del Hongo Botritys Cinerea en el Cultivo de Mora de Castilla sin Espinas (Rubus glaucus Benth) en el Departamento de Risaralda. La adquisición de datos se realizará en campo identificando las variables edáficas y climáticas relevantes en el cultivo de Mora de Castilla y que influyen en el brote de Botrytis cinerea. Posteriormente, se realiza la fase de procesamiento de datos, se utilizará un modelo de agrupamiento para encontrar similitudes (k-means) y se construye el modelo para el SR. Para la predicción del brote del hongo se utilizará la técnica de ensamble Bagging en los algoritmos Random Forest, KNN y Support Vector Machine. Las métricas de evaluación para el modelo serán Root Mean Square Error y Mean Absolute Error. Finalmente, se construye la alerta temprana, donde al existir un nivel igual o superior al 10 % se considera que existe afectación de B. Cinerea.