Las técnicas para pronosticar variables meteorológicas son ampliamente estudiadas ya que el conocimiento previo de ellas permite la gestión eficiente de energías renovables, y también para otras aplicaciones de la ciencia como la agricultura, salud, ingeniería, energía, etc. En esta investigación, se ha realizado el diseño, implementación y comparación de modelos de pronóstico para variables meteorológicas utilizando diferentes técnicas de Aprendizaje Automático como parte del software de código abierto Python. Las técnicas implementadas incluyen regresión lineal múltiple, regresión polinómica, bosque aleatorio, árbol de decisión, XGBoost y red neuronal de perceptrón multicapa (MLP). Para identificar la mejor técnica, se utilizan como métricas de evaluación el error cuadrático medio (RMSE), el error porcentual medio absoluto (MAPE), el error absoluto medio (MAE) y el coeficiente de determinación (). Las técnicas más eficientes dependen de la variable a pronosticar, sin embargo, se observa que para la mayoría de ellas, las técnicas de bosque aleatorio y XGBoost presentan un mejor rendimiento. Para la temperatura, la técnica con mejor rendimiento fue Bosque Aleatorio con un de 0.8631, MAE de 0.4728 gradosC, MAPE de 2.73% y RMSE de 0.6621 gradosC; para la humedad relativa, fue Bosque Aleatorio con un de 0.8583, MAE de 2.1380RH, MAPE de 2.50% y RMSE de 2.9003 RH; para la radiación solar, fue Bosque Aleatorio con un de 0.7333, MAE de 65.8105, y RMSE de 105.9141; y para la velocidad del viento, fue Bosque Aleatorio con un de 0.3660, MAE de 0.1097, y RMSE de 0.2136.