COVID-19 es una infección adquirida por la comunidad con síntomas que se asemejan a los de la gripe y la neumonía bacteriana. La creación de una política de control de infecciones que incluya el aislamiento, la desinfección de superficies y la identificación de contagios es crucial para erradicar pandemias de este tipo. La incorporación del distanciamiento social también podría ayudar a detener la propagación de infecciones adquiridas por la comunidad como el COVID-19. El distanciamiento social implica mantener ciertas distancias entre las personas y reducir la frecuencia de contacto entre ellas. Mientras tanto, se ha observado un aumento significativo en el desarrollo de diferentes dispositivos de Internet de las Cosas (IoT) junto con sistemas ciberfísicos que se conectan con entornos físicos. El aprendizaje automático está fortaleciendo las tecnologías actuales al agregar nuevos enfoques para resolver rápidamente y correctamente problemas utilizando esta oleada de dispositivos IoT disponibles. Proponemos un nuevo enfoque que utiliza algoritmos de aprendizaje automático para monitorear el riesgo de COVID-19 en áreas públicas. Las características extraídas de los sensores de IoT se utilizan como entrada para varios algoritmos de aprendizaje automático como árbol de decisión, red neuronal, clasificador de Bayes ingenuo, máquina de vectores de soporte y bosque aleatorio para predecir los riesgos de la pandemia de COVID-19 y calcular la probabilidad de riesgo de los lugares públicos. Esta investigación tiene como objetivo encontrar poblaciones vulnerables y reducir el impacto de la enfermedad en ciertos grupos utilizando modelos de aprendizaje automático. Construimos un modelo para calcular y predecir los factores de riesgo de áreas pobladas. Este modelo genera alertas automatizadas para las autoridades de seguridad en caso de cualquier detección anormal. Los resultados experimentales muestran que tenemos una alta precisión con el bosque aleatorio del 97.32%, con el árbol de decisión del 94.50% y con el clasificador de Bayes ingenuo del 99.37%. Estos algoritmos indican un gran potencial para la predicción de riesgos de multitudes en áreas públicas.