A través de Internet, los estudiantes pueden acceder a información disponible en plataformas de aprendizaje en línea para facilitar sus estudios o adquirir nuevas habilidades. Sin embargo, encontrar la información adecuada para sus necesidades específicas entre las numerosas opciones disponibles es una tarea tediosa debido a la sobrecarga de información. Los sistemas de recomendación son una buena solución para personalizar el aprendizaje en línea al proponer información útil y relevante adaptada a cada estudiante utilizando un conjunto de técnicas y algoritmos. El filtrado colaborativo (CF) es una de las técnicas ampliamente utilizadas en dichos sistemas. Sin embargo, las altas dimensiones y la dispersión de los datos son problemas importantes. Dado que el concepto de aprendizaje profundo ha crecido en popularidad, han surgido diversos estudios para mejorar esta forma de filtrado. En este trabajo, utilizamos un autoencoder, que es un modelo potente en la reducción de dimensiones de datos, extracción de características y reconstrucción de datos, para aprender y predecir las preferencias de los estudiantes en un sistema de recomendación de aprendizaje en línea basado en filtrado colaborativo. Los resultados experimentales obtenidos utilizando la base de datos creada por Kulkarni et al. muestran que este modelo es más preciso y supera a los modelos basados en vecinos más cercanos (KNN), descomposición de valores singulares (SVD), descomposición de valores singulares más más (SVD++) y factorización de matrices no negativas (NMF) en términos del error cuadrático medio (RMSE) y el error absoluto medio (MAE).