La qualité de l'air intérieur est un élément très important pour un environnement sain et confortable. L'utilisation des capteurs à faible coût, enregistrant les taux de CO2 ou d’autres substances, s’est répandue ces dernières années. Cependant, la quantité et la complexité des données mesurées posent des problèmes pour l'identification des anomalies et l'extraction d'informations significatives. C'est là que les techniques d'apprentissage automatique excellent. Dans le cadre du projet ACQA, un micro-capteur composé de différents capteurs de qualité de l'air a été développé et déployé dans une bibliothèque universitaire. Cette étude examine la détection d'anomalies dans les niveaux de CO2 enregistrés, en utilisant différents modèles d'apprentissage automatique : KNearest Neighbors, Random Forest (RF), Gradient Boosting Regressor et Decision Tree Regressor. Les modèles sont évalués en fonction de leurs précision et de leur efficacité à détecter des anomalies. Les résultats sont quantifiés à l'aide des indicateurs R², RMSE et MAE, et montrent que le modèle RF est le plus précis.