Utilizados extensamente en una multitud de industrias, los aleaciones de cobre en solución sólida son valorados por su superior conductividad eléctrica y propiedades mecánicas. Sin embargo, optimizar estas propiedades a menudo mutuamente excluyentes representa un desafío, especialmente considerando la compleja interacción de la composición de la aleación y las técnicas de procesamiento. Para abordar esto, introducimos un nuevo marco computacional que emplea ingeniería de características avanzada dentro de algoritmos de aprendizaje automático para predecir con precisión la microdureza y la conductividad eléctrica de la aleación. Nuestra metodología demuestra una mejora sustancial sobre los modelos tradicionales basados en datos, logrando aumentos notables en las puntuaciones R2: de 0.939 a 0.971 para las predicciones de microdureza y de -1.05 a 0.934 para la conductividad eléctrica. A través del aprendizaje automático, también destacamos los determinantes clave que influyen significativamente en el rendimiento general de las aleaciones de cobre en solución sólida, proporcionando información útil para el diseño futuro de aleaciones y la optimización de materiales.