Ziel dieses Projekts war es, ein Machine-Learning-Modell zu entwickeln, das den Preis von Gebrauchtwagen basierend auf verschiedenen Faktoren wie Automodell, Kilometerstand, Alter des Autos und TÜV-Laufzeit prognostiziert. Das Projekt umfasste folgende Schritte:

1. Datenerfassung und Vorbereitung:
   • Webscraping von Fahrzeugdaten mithilfe von BeautifulSoup um relevante Informationen zu sammeln.
   • Speicherung der Daten in einer MySQL-Datenbank zur weiteren Analyse und Modellierung.
2. Datenverarbeitung und Modelltraining:
   • Datenbereinigung und Transformation mit Pandas (z. B. Entfernen fehlender Werte, Standardisierung numerischer Variablen und One-Hot-Encoding für kategorische Variablen).
   • Implementierung eines Random-Forest-Regressors mit Scikit-learn zur Vorhersage der Fahrzeugpreise.
3. Benutzeroberfläche:
   • Entwicklung einer grafischen Benutzeroberfläche (GUI), die es ermöglicht, Fahrzeugdaten einzugeben und die prognostizierten Preise anzuzeigen.

Ergebnisse und Anwendungen:
Das trainierte Modell erzielte eine hohe Vorhersagegenauigkeit und bot eine benutzerfreundliche Möglichkeit, auf Basis der eingegebenen Daten Preise für Gebrauchtwagen zu schätzen. Die datenbasierten Vorhersagen können leicht erweitert werden, um weitere Funktionen wie detaillierte Datenvisualisierungen oder erweiterte Berichtsfunktionen zu integrieren.