En la actualidad la contaminación del aire, la cual se define como la presencia de materia o elementos en el aire que puedan ocasionar un riesgo o daño para la salud de los seres vivos y el medio ambiente en general, se ha convertido en un importante tema de interés para la mayoría de las personas, ya que con el crecimiento de las masas y zonas industrializadas en ciudades urbanas esta ha ido en aumento cada vez más en los últimos años. Entre las principales consecuencias que trae consigo dicha contaminación se encuentran el desarrollo de enfermedades respiratorias y pulmonares, la pérdida de visibilidad en el área y el mal olor en estas mismas. Por lo anterior, mantener un eficaz monitoreo de estos contaminantes es de suma importancia para tomar medidas al respecto para la prevención de enfermedades y otras consecuencias negativas en la población. Por todo esto, en este proyecto se desarrolló una metodología basada en algoritmos de machine learning para predecir la calidad del aire en tiempo real en diversas zonas del área metropolitana de Monterrey, usando la información histórica y pública de las mediciones de partículas de 2.5 micras de sensores existentes de la web de PurpleAir. Se decidió utilizar esta, debido a la considerable cantidad de sensores de este tipo ubicados en el área de interés. Además, la información de estos puede ser consultada y obtenida fácilmente a través de una API de Python, el cual a su vez fue el lenguaje utilizado para desarrollar la programación de todo el proyecto. Se prestó principal interés en las partículas contaminantes de 2.5 micras, ya que estas son las principales contaminantes en las ciudades de interés. Cada uno de modelos a utilizar fue evaluado de manera exhaustiva utilizando métricas de desempeño ade- cuadas, y se seleccionó el modelo con las mejores métricas para realizar la predicción de la concentración de partículas de 2.5 micras en zonas sin presencia de sensores, estimando así la calidad del aire asociada a las mismas, creando así lo que podemos llamar “sensores virtuales”. El modelo seleccionado fue finalmente embebido dentro de una interfaz de usuario con el objetivo de que este fuera de fácil uso para el usuario final y este pueda conocer fácilmente la predicción de la calidad del aire en un punto de interés.