[ES] La mayor información disponible en el mercado inmobiliario y el avance de las técnicas de inteligencia artificial permiten desarrollar modelos de valoración de bienes de naturaleza inmobiliaria. Este trabajo desarrolla modelos de redes neuronales artificiales capaces de predecir el valor de la vivienda en la ciudad de Madrid. A partir de internet y mediante técnicas de web scrapping se ha construido una base de datos compuesta por viviendas en venta en diciembre de 2018. La base de datos se ha depurado eliminando aquellas observaciones anómalas que puede inferir en el análisis y predicción. Las variables explicativas empleadas han sido la superficie, el número de habitaciones, la altura de la vivienda, la zona en que se encuentra ubicada, el ratio de criminalidad, el precio medio por metro cuadrado, el número de habitantes y el ingreso medio por habitante. De esta forma, mediante programación con Python y Keras se ha obtenido un modelo que se ha afinado mediante ajuste de varios hiperparámetros. Para llevar a cabo el modelo se ha empleado como función de optimización RMSprop mientras que para la medición del error se ha empleado tanto el MSE (mean squared error) como el MAE (mean absolute error). Los modelos obtenidos predicen el precio en euros de la vivienda y pueden ser utilizados en modelos de valoración automática., [EN] The great amount of available information in the real estate market jointly with the artificial intelligence techniques advances allow the development of real estate valuation models. This work develops models of artificial neural networks capable of forecasting the value of housing in the city of Madrid. By using internet sources and web scrapping techniques, a database was created based on homes for sale in December 2018. The database has been purified by eliminating anomalous observations that can be inferred in the analysis and prediction. The explanatory variables used were the area, the number of rooms, the height of the house, the area, the crime rate, the average price per square meter, the number of inhabitants and the average income per inhabitant . Thus, through programming in Python and Keras, a model has been obtained. It has been refined by adjusting several hyperparameters. In order to develop the model, an RMSprop optimization function has been used, while both the MSE (mean squared error) and the MAE (mean absolute error) have been used for the measurement of the error. The obtained models are able to forecast prices in euros of housing and can be used in automatic valuation models., [CA] La major informació disponible al mercat immobiliari i l'avanç de les tècniques d'intel·ligència artificial permeten desenvolupar models de valoració de béns de naturalesa immobiliària. Aquest treball desenvolupa models de xarxes neuronals artificials capaços de predir el valor de l'habitatge a la ciutat de Madrid. A partir d'internet i mitjançant tècniques de web scraping s'ha construït una base de dades composta per habitatges en venda al desembre de 2018. La base de dades s'ha depurat eliminant aquelles observacions anòmales que pot inferir en l'anàlisi i predicció. Les variables explicatives utilitzades han sigut la superfície, el nombre d'habitacions, l'alçada de l'habitatge, la zona en què es troba situada, la ràtio de criminalitat, el preu mitjà per metre quadrat, el nombre d'habitants i l'ingrés mig per habitant . D'aquesta forma, mitjançant programació amb Python i Keras s'ha obtingut un model que s'ha afinat mitjançant ajust de diversos hiperparámetros. Per portar a terme el model s'ha emprat com a funció d'optimització RMSprop mentre que per al mesurament de l'error s'ha emprat tant el MSE (error mitjà quadràtic) com el MAE (error mitjà absolut). Els models obtinguts prediuen el preu en euros de l'habitatge i poden ser utilitzats en models de valoració automàtica.