Este Trabajo de Fin de Grado ha consistido en la resolución de un problema de mantenimiento predictivo a partir de un conjunto de datos reales proporcionados por la marca de camiones Scania. El objetivo que se persigue es minimizar una cierta función de coste que pondera de forma desigual los errores cometidos en la predicción de la aparición de fallos en los camiones según estos sean falsos positivos o falsos negativos. Algunas de las particularidades del conjunto de datos disponibles es que están etiquetados pero no balanceados y, además, existe en ellos una gran cantidad de errores de medición. Por este motivo, se han aplicado sobre los datos diversas técnicas de filtrado e imputación. A continuación, se han efectuado predicciones mediante distintos algoritmos de machine learning. Se ha escogido de entre ellos Random Forest por su rendimiento superior y se ha afinado para alcanzar el mejor resultado posible, tomando en todo momento como métrica la función de coste anteriormente mencionada. Finalmente, los resultados obtenidos han sido comparados con aquellos alcanzados sobre el mismo problema por parte de varios investigadores.