El éxito en el aprendizaje de los estudiantes es el principal objetivo del sistema educativo. La inteligencia artificial utiliza datos y aprendizaje automático para lograr la excelencia en el aprendizaje de los estudiantes. En este documento, explotamos varias técnicas de aprendizaje automático para estimar el rendimiento temprano de los estudiantes. Dos simulaciones principales se utilizan para la evaluación. La primera simulación utilizó los Clasificadores Tradicionales de Aprendizaje Automático (TMLCs) aplicados al conjunto de datos House, que son Gaussian Naïve Bayes (GNB), Máquina de Vectores de Soporte (SVM), Árbol de Decisión (DT), Perceptrón Multicapa (MLP), Bosque Aleatorio (RF), Análisis Discriminante Lineal (LDA) y Análisis Discriminante Cuadrático (QDA). Los mejores resultados se lograron con el clasificador MLP con una división del 80% de entrenamiento y 20% de prueba, con una precisión del 88.89%. También se aplicó la fusión de estos siete clasificadores y el resultado más alto fue igual al MLP. Además, en la segunda simulación, se utilizó la Red Neuronal Convolucional (CNN) y se evaluó en cinco conjuntos de datos principales, a saber, House, Western Ontario University (WOU), Experience Application Programming Interface (XAPI), University of California-Irvine (UCI) y Analytics Vidhya (AV). El conjunto de datos UCI se dividió en tres conjuntos de datos, a saber, UCI-Math, UCI-Por y UCI-Fused. Además, el conjunto de datos AV tiene tres objetivos que son Matemáticas, Lectura y Escritura. Los mejores resultados de precisión se lograron en 97.5%, 99.55%, 98.57%, 99.28%, 99.40%, 99.67%, 92.93%, 96.99% y 96.84% para los conjuntos de datos House, WOU, XAPI, UCI-Math, UCI-Por, UCI-Fused, AV-Math, AV-Reading y AV-Writing, respectivamente, bajo el mismo protocolo de evaluación. El sistema demuestra que el método propuesto basado en CNN supera a los siete métodos convencionales y otros trabajos de vanguardia.