Tiivistelmä. Työssä tarkastellaan koneoppivien mallien tarjoamia uusia mahdollisuuksia terästutkimuksen näkökannalta. Teoriaosuudessa käydään läpi datan rooli ja sen käsittely koneoppivien mallien kannalta, sekä perusprosessi koneoppivan mallin koostamisen takana. Tekstin painotus on materiaalitekniikan asiantuntijan osuudessa mallien kehittämisessä terästutkimuksessa ja -teollisuudessa. Erityyppisten koneoppivien mallien avulla saavutettuja tuloksia havainnollistetaan kirjallisuuden esimerkkien kautta, jotka osoittavat niiden menestyksen mikrorakenteiden karakterisoinnissa, teräksen valmistuksen prosessiparametrien optimoinnissa ja uusien seostusten kehittämisessä. Tutkielma tarjoaa pohjan mallien kehitykselle yhteistyössä tietojenkäsittelytieteiden ja muiden asiantuntijoiden kanssa, osana modernia T&K-ympäristöä sekä olemassa olevia tietokantoja. Sen oppeja voidaan yleistää myös terästutkimuksen ulkopuolelle.Possibilities of machine learning in steel research. Abstract. This thesis investigates the new possibilities that machine learning offers from the perspective of steel research. In the theory section the role and modification of data is described in conjunction with the basics of compiling a machine learning model. The emphasis of the work is on the part that a materials subject matter expert plays in the development of a machine learning model for steel industry or research. The success of different machine learning methods is demonstrated through literary examples in microstructural characterization, process optimization and synthesis of new alloy compositions. The thesis offers the basics needed for model development as a part of a modern R&D environment including existing databases and experts from computer science and other relevant fields. The knowledge presented can be generalized beyond steel research.