Con la creciente gravedad y frecuencia de los ciberataques, la rápida expansión de objetos inteligentes intensifica las amenazas a la ciberseguridad. El vasto tráfico de datos de comunicación entre dispositivos del Internet de las Cosas (IoT) presenta un desafío considerable para defender estos dispositivos de posibles brechas de seguridad, agravado aún más por la presencia de datos de tráfico de red desbalanceados. Las tecnologías de IA, especialmente el aprendizaje automático y profundo, han mostrado promesas en la detección y abordaje de estas amenazas de seguridad dirigidas a redes IoT. En este estudio, inicialmente aprovechamos algoritmos de aprendizaje automático y profundo para la extracción precisa de características esenciales de un conjunto de datos de tráfico de red realista BoT-IoT. Posteriormente, evaluamos la eficacia de diez modelos de aprendizaje automático distintos en la detección de malware. Nuestro análisis incluye dos clasificadores individuales (KNN y SVM), ocho clasificadores en conjunto (por ejemplo, Random Forest, Extra Trees, AdaBoost, LGBM) y cuatro arquitecturas de aprendizaje profundo (LSTM, GRU, RNN). También evaluamos la mejora del rendimiento de estos modelos cuando se integran con el algoritmo SMOTE (Técnica de Sobremuestreo de Minorías Sintéticas) para contrarrestar datos desbalanceados. Notablemente, los clasificadores CatBoost y XGBoost lograron tasas de precisión notables del 98.19% y 98.50%, respectivamente. Nuestros hallazgos ofrecen información sobre el potencial de las técnicas de ML y DL, junto con algoritmos de balanceo como SMOTE, para identificar eficazmente intrusiones en redes IoT.