A dolgozat célja annak bemutatása, hogyan alkalmazhatók az adattudományi módszerek a mélyfúrási geofizikai adatok feldolgozására és értelmezésére. A vizsgálat egy valós mélyfúrás különféle geofizikai méréseiből álló adatkészletére épült, amelyet Jupyter Notebook-ot használva, Python programozási nyelven dolgoztam fel. Az előfeldolgozás során az adattisztítás, illetve a kapcsolatok feltárását követően kiszámítottam azokat a petrofizikai paramétereket (VSH, PHI_E, SW), melyek elengedhetetlenek egy geofizikai szelvény kiértékelésénél. A klaszterezési eljárások segítségével csoportokba soroltam a különböző rétegeket és feltártam a potenciális szénhidrogén-tároló zónák statisztikai mintázatait. Lineáris regressziót használva magas pontossággal becsültem az effektív porozitást, míg logisztikus regresszióval sikeresen azonosítottam azokat a rétegeket, melyek a származtatott petrofizikai paraméterek alapján termelésre alkalmasnak bizonyultak. Az eredmények igazolják, hogy a gépi tanulási módszerek hatékonyan támogatják a geofizikai kiértékelést és javítják a rétegek automatikus azonosítását. A megközelítés könnyen adaptálható más kutak vagy mélyfúrási projektek feldolgozására is.