Τα τελευταία χρόνια, όλο και περισσότερο αναπτύσσεται στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την προσπάθεια εκτίμησης των τιμών ακινήτων, με διάφορες αναπτυγμένες τεχνικές Machine & Deep Learning.Σε αυτή την διπλωματική εργασία με την αξιοποίηση της επιστήμης της πληροφορικής και συγκεκριμένα της μεθόδου της τεχνητής νοημοσύνης και μηχανικής μάθησης, παρουσιάζεται η διαδικασία σχεδίασης, ανάλυσης και επεξεργασίας μαθηματικών μοντέλων με σκοπό την εκτίμηση αξιών ακινήτων και τελικά στην αξιολόγηση και επιλογή του πιο αξιόπιστου μοντέλου. Πιο συγκεκριμένα, υλοποιούνται διαφορετικά μοντέλα μηχανικής μάθησης, τα οποία εκπαιδεύονται με βάση τα δεδομένα. Η πλειοψηφία των μοντέλων αυτών στηρίζεται σε τεχνικές και αλγορίθμους παλινδρόμησης, όπως είναι η πολλαπλή γραμμική παλινδρόμηση, η οποία αποτελεί τη βάση για την ανάπτυξη πιο σύνθετων και αποδοτικών τεχνικών παλινδρόμησης, όπως είναι η παλινδρόμηση Ridge, η Lasso και η παλινδρόμηση με χρήση της τεχνικής Gradient Boosting. Επίσης, υλοποιήθηκαν μοντέλα που βασίζονται στα Δέντρα Απόφασης, όπως είναι τα Τυχαία Δάση και άλλα μοντέλα όπως τα Νευρωνικά Δίκτυα. Ακολούθως, παρουσιάζονται και αξιολογούνται τα αποτελέσματα της εφαρμογής τους στα δεδομένα εκπαίδευσης και τα δεδομένα ελέγχου.Για αυτό χρησιμοποιήθηκαν δεδομένα από διάσημες διαδικτυακές πλατφόρμες στην Ελλάδα όπως για παράδειγμα xe.gr και spiti360.gr με την βοήθεια των οποίων δίνεται μια σχετική εικόνα της αγοράς ακινήτων. Αναλύονται, στη συνέχεια, τα αποτελέσματα που λάβαμε από τις πλατφόρμες του διαδικτύου και τις μεθόδους που εφαρμόσαμε και αξιολογούνται η ακρίβεια και η καταλληλόλητά τους για το παρόν εγχείρημα.Τέλος, παρουσιάζονται κάποιες συγκρίσεις των αποτελεσμάτων μας με αποτελέσματα αντίστοιχων ερευνών, εντοπίζονται τα σημεία που επιδέχονται βελτίωση στην μεθοδολογία που ακολουθήθηκε και προτείνονται με βάση αυτά κάποιες μελλοντικές προοπτικές έρευνας για τις επόμενες μελέτες.