Presentamos un método, incluido el soporte de herramientas, para la minería bibliométrica de tendencias en áreas de investigación grandes y dinámicas. El método se aplicó al área de investigación de aprendizaje automático para los años 2013 a 2022. Se analizaron un total de 398,782 documentos de Scopus. Una taxonomía que contiene 26 direcciones de investigación dentro del aprendizaje automático fue definida por cuatro expertos con la ayuda de un programa en Python y taxonomías existentes. Las tendencias en términos de productividad, tasa de crecimiento y citas fueron analizadas para las direcciones de investigación en la taxonomía. Nuestros resultados muestran que las dos direcciones, Aplicaciones y Algoritmos, son las más grandes, y que la dirección Redes Neuronales Convolucionales es la que crece más rápido y tiene el mayor número promedio de citas por documento. También resulta que hay una clara correlación entre la tasa de crecimiento y el número promedio de citas por documento, es decir, los documentos en direcciones de investigación de rápido crecimiento tienen más citas. También se analizaron las tendencias de la investigación de aprendizaje automático en cuatro regiones geográficas (América del Norte, Europa, los países BRICS y El Resto del Mundo). El número de documentos durante el período considerado es aproximadamente el mismo para todas las regiones. Los BRICS tienen la tasa de crecimiento más alta y, en promedio, América del Norte tiene el mayor número de citas por documento. Utilizando nuestra herramienta y método, esperamos que se pueda realizar un estudio similar en alguna otra área de investigación grande y dinámica en un tiempo relativamente corto.