U završnom radu obrađen je pojam velikih podatkovnih skupova, te klasifikacijske tehnike strojnog učenja. Fokus završnog rada je na dvije najčešće korištene klasifikacijske tehnike, k-najbližih susjeda i stabla odlučivanja. Opisani su algoritmi obje klasifikacijske tehnike, njihovi ulazi i razlika između te dvije tehnike, a potom se diskutira kako korištenje iste klasifikacijske tehnike može dati različite rezultate. Opisana su svojstva varijabli i njihov utjecaj na mogućnost primjene pojedine klasifikacijske tehnike. Postupak izrade prediktivnih modela u jeziku R detaljno je opisan za obje klasifikacijske tehnike, kao i problemi do kojih dolazi tijekom izrade. Naposlijetku su međusobno uspoređeni su rezultati dobiveni s obje klasifikacijske tehnike. This bachelor thesis elaborates the concept of big data and the classification techniques of machine learning. The focus of this bachelor thesis are the two most common classification-orinted machine learning techniques, k-nearest neighbours and decision tree. Both classification techniques are described, as well as their inputs and the difference between those two classification techniques. A discussion is given on how using the same algorithm can produce different results. Moreover there is a descriptionbed of variable properties and their impact on the possibility of applying a particular classification technique. The process of creating predictive models in R-studio is described as well as problems occurring during the implementation. Finally, a comparison of results obtained by both techiques is given.