El prominente mercado de las criptomonedas, caracterizado por un alto nivel especulativo y de gran volatilidad, plantea un novedoso y desafiante escenario para la aplicación de métodos de pronósticos sobre series temporales. En este contexto, Bitcoin se destaca por abarcar la mayor parte de la capitalización total del mercado, así como del volumen total de transacciones diarias. El presente proyecto plantea realizar un análisis de la efectividad de la aplicación de algoritmos de aprendizaje automático al problema de generar predicciones de corto plazo sobre el precio de Bitcoin. Se realiza un estudio comparativo de distintos algoritmos de aprendizaje automático, empleando una batería de modelos cuyas implementaciones incluyen: SVR (Support Vector Regression), RNN (Recurrent Neural Networks), CNN (Convolutional Neural Networks) y una arquitectura de red neuronal híbrida que combina capas recurrentes LSTM (Long Short Term Memory) con capas convolucionales unidimensionales. Además, se propone utilizar características basadas en indicadores de análisis técnico, en conjunto con una metodología para la generación de datos de entrenamiento adicionales, con el fin de evaluar su incidencia en la capacidad predictiva de los modelos. La utilización de los modelos de aprendizaje profundo híbridos CNN + LSTM en combinación con la incorporación de las características y datos de entrenamiento adicionales reportaron los mejores resultados del conjunto de modelos evaluados, alcanzando un RMSE (Raíz del Error Cuadrático Medio) de 42.11 (1.10 %) en la generación de pronósticos del precio de Bitcoin para un horizonte de 2 horas sobre un periodo de prueba de 720 puntos correspondientes a cada hora del mes de diciembre de 2018. Durante el desarrollo de esta investigación, se realiza un repaso del estado del arte de las técnicas de aprendizaje automático, con énfasis en su aplicación a problemas de pronósticos sobre series temporales.