La enfermedad por coronavirus novel, también conocida como COVID-19, es un brote de enfermedad que se identificó por primera vez en Wuhan, una ciudad del centro de China. En este informe, se realiza un breve análisis centrado en Australia, Italia y el Reino Unido. El análisis incluye casos confirmados y recuperados y muertes, la tasa de crecimiento en Australia en comparación con la de Italia y el Reino Unido, y la tendencia de la enfermedad en diferentes regiones australianas. Se proponen enfoques matemáticos basados en modelos de casos susceptibles, infectados y recuperados (SIR) y modelos de casos susceptibles, expuestos, infectados, en cuarentena y recuperados (SEIQR) para predecir la epidemiología en los países mencionados. Dado que el rendimiento de las formas clásicas de SIR y SEIQR depende de la configuración de parámetros, se proponen algunos algoritmos de optimización, a saber, Broyden-Fletcher-Goldfarb-Shanno (BFGS), gradientes conjugados (CG), BFGS limitado con memoria restringida (L-BFGS-B) y Nelder-Mead, para optimizar los parámetros y las capacidades predictivas de los modelos SIR y SEIQR. Los resultados de los modelos SIR y SEIQR optimizados se compararon con los de dos algoritmos de aprendizaje automático bien conocidos, es decir, el algoritmo Prophet y la función logística. Los resultados demuestran los diferentes comportamientos de estos algoritmos en diferentes países, así como el mejor rendimiento de los modelos SIR y SEIQR mejorados. Además, se encontró que el algoritmo Prophet proporciona un mejor rendimiento predictivo que la función logística, así como un mejor rendimiento predictivo para los casos de Italia y el Reino Unido que para los casos australianos. Por lo tanto, parece que el algoritmo Prophet es adecuado para datos con una tendencia creciente en el contexto de una pandemia. La optimización de los parámetros del modelo SIR y SEIQR dio lugar a una mejora significativa en la precisión de predicción de los modelos. A pesar de la disponibilidad de varios algoritmos para predicciones de tendencias en esta pandemia, no existe un único algoritmo que sea óptimo para todos los casos.