La minería de datos educativos es un proceso que tiene como objetivo descubrir patrones que brinden información sobre los procesos de enseñanza y aprendizaje. Este trabajo utiliza técnicas de Aprendizaje Automático para crear un modelo de predicción del rendimiento estudiantil, utilizando datos académicos y registros de un Sistema de Gestión del Aprendizaje, que se correlaciona con el éxito o fracaso en completar el curso. Se emplearon seis algoritmos, con modelos entrenados en tres etapas diferentes de finalización de su curso de dos años. Probamos los modelos con registros de 394 estudiantes de 3 cursos. Random Forest proporcionó los mejores resultados con un 84.47% en la puntuación F1 en nuestros experimentos, seguido por Decision Tree que obtuvo resultados similares en las primeras materias. También empleamos técnicas de agrupamiento y encontramos diferentes grupos de comportamiento con una fuerte correlación con el rendimiento. Este trabajo contribuye a predecir a los estudiantes en riesgo de abandonar, ofrece información sobre la comprensión del comportamiento estudiantil y proporciona un mecanismo de apoyo para que los gestores académicos tomen acciones correctivas y preventivas sobre este problema.