Las aleaciones de Cu-Be son reconocidas por sus excepcionales propiedades mecánicas y eléctricas, lo que las hace muy solicitadas para diversas aplicaciones industriales. Este estudio presenta un enfoque integral para predecir las composiciones de varios tipos de aleaciones de Cu-Be, integrando un Regresor de Bosque Aleatorio dentro de un marco de aprendizaje automático (ML) para analizar un extenso conjunto de datos de parámetros químicos y termo-mecánicos. El proceso de investigación incorporó la preprocesamiento de datos, el entrenamiento y validación del modelo, y un análisis robusto para discernir la importancia de las características. También se realizó un análisis de clúster para iluminar los agrupamientos intrínsecos de los datos e identificar patrones metalúrgicos subyacentes. El poder predictivo del modelo fue confirmado por altos valores de R, indicativos de su capacidad para capturar y explicar la varianza en el conjunto de datos tanto para pruebas (R = 0.99375) como para entrenamiento (R = 0.99858). Se descubrieron agrupamientos distintos dentro de los datos de la aleación, revelando correlaciones significativas entre la composición, las condiciones de procesamiento y las propiedades de la aleación. Los hallazgos subrayan el potencial de las técnicas de ML en el avance del diseño y optimización de materiales de aleaciones de Cu-Be, proporcionando valiosos conocimientos para el campo de la ciencia de materiales.