Se presenta un enfoque basado en aprendizaje automático para predecir las propiedades mecánicas de las aleaciones de Cu-Ti utilizando un conjunto de datos de varias características, que incluyen elementos composicionales y parámetros de procesamiento. Las características abarcan elementos de composición química como Cu, Al, Ce, Cr, Fe, Mg, Ti y Zr, así como varios parámetros de procesamiento termomecánico. Este conjunto de datos, que consta de más de 1000 puntos de datos, se seleccionó de una colección más grande de diversas aleaciones basadas en Cu. El conjunto de datos se dividió en conjuntos de entrenamiento, validación y prueba, y se entrenó y optimizó un modelo de Regresión de Bosques Aleatorios utilizando GridSearchCV. El rendimiento del modelo se evaluó en función del puntaje R. Los resultados demuestran una alta precisión predictiva, con puntajes R de 0.9929, 0.9851 y 0.9937 para los conjuntos de entrenamiento, validación y prueba, respectivamente. El modelo de Bosques Aleatorios se comparó con otros modelos de aprendizaje automático y mostró mejores resultados en términos de precisión predictiva. Se realizó un análisis de importancia de características de las características mecánicas, aclarando aún más la influencia de cada característica. El mapa de calor de correlación aclara aún más las relaciones entre las características, ofreciendo información sobre los efectos de la composición de la aleación y el procesamiento en las propiedades mecánicas. Este estudio destaca el potencial del aprendizaje automático en el avance del desarrollo y optimización de las aleaciones de Cu-Ti, proporcionando una herramienta valiosa para científicos e ingenieros de materiales.