U ovom diplomskom radu analiziran je skup podataka evaluacije automobila koji je poslužio za treniranje i testiranje popularnih algoritama strojnog učenja, među koje spadaju logistička regresija, algoritam k-najbližih susjeda, višeslojni perceptron i stablo odlučivanja. Skup podataka je klasifikacijskog tipa te automobile vrednuje na osnovu njihovih karakteristika, kao što su cijena, trošak održavanja, razina sigurnosti i slično. Utjecaj vrijednosti pojedine karakteristike, koja odgovara ulaznoj varijabli, na procjenu automobila promatra se na osnovu grafičkih prikaza, hi-kvadrat testa i korelacijske analize. Na temelju donesenih zaključaka iz statističke analize započinje učenje i testiranje klasifikacijskih algoritama. Iterativnim postupkom nastoji se od svakog algoritma dobiti najbolje moguće rješenje, pritom se njihova kvaliteta ispituje na osnovu rezultata pojedinih metrika (točnost, preciznost, ROC AUC rezultat,...). Postizanje stabilne procjene izvedbe pojedinog modela te prikaz na koji način se modeli mogu kombinirati ostvareno je primjenom metoda unakrsne validacije i ansambla. Za potrebe izvođenja rada koristi se Spyder softver dizajniran za Python programski jezik.