Аннотация: Внедрение машинного обучения в область современного материаловедения способствовало появлению огромного числа алгоритмов, методов и систем, позволяющих классифицировать и предсказывать данные. Особое место среди них занимает автоматическое прогнозирование свойств материалов по заданным параметрам химического состава. Применение данных методов позволяют значительно сократить расходование средств и материалов на исследования, облегчить обработку информации о свойствах материалов, которые трудно измерить или вычислить с использованием традиционных методов - из-за денежных, временных или иных трудностей [1, с. 1]. Алгоритмы машинного обучения решают задачи исследования корреляции между отдельными свойствами, создания моделей прогнозирования количественных соотношений как отдельных свойств, так и их структур. Подобные методы применяются для решения конкретных аналитических задач в рамках общего проекта и требуют значительных внешних ресурсов. Эффективность алгоритмов машинного обучения напрямую зависит от множества факторов, таких как наличие свободных данных о свойствах и структуре материалов, величина выборки, влияние сторонних параметров на изменение свойств и внутренней структуры материала. В данной статье будут рассмотрены основные способы прогнозирования свойств материалов с помощью алгоритмов машинного обучения, уровни эффективности данных способов при изменении внешних условий и выборки, а также выявлены факторы, влияющие на степень успешности предсказаний качеств материалов. Результаты анализа будут сформированы в единую таблицу.