Mit fortschreitender Industrie 4.0. durchläuft der technische Bereich eine digitale Transformation, die durch das Hervorbringen neuer Technologien eine Vielzahl neuer Möglichkeiten bietet. Eine Enabler-Technologie der Industrie 4.0 ist das maschinelle Lernen (ML), welche sich als Teilbereich der künstlichen Intelligenz (KI) in den vergangenen Jahren zunehmend etablierte. Durch die vielfältige Anwendbarkeit zur Lösung von komplexen Aufgaben- und Problemstellungen wird ML zur Vorhersage und Berechnung von Werten, Erkennung von Zusammenhängen und Optimierungszwecken eingesetzt, was technische und wirtschaftliche Vorteile verspricht. Zur Unterstützung der Entscheidungsfindung können durch den überwachten ML-Algorithmus Support Vector Machines (SVM) Daten bezüglich diversere Charakteristika und Merkmalen klassifiziert werden. Die Masterarbeit befasst sich mit der Lösung eines Klassifikationsproblems von Zeitreihendaten von Sensoren aus dem Bergbau durch die Entwicklung einer geeigneten SVM, um Daten mit Hilfe der SVM zuverlässig klassifizieren und daraus den entsprechenden Arbeitsschritten ableiten zu können. In diesem Rahmen wurden statistische Datenanalysen, die Datenvorverarbeitung und die Bestimmung der Trainings- und Testdaten durchgeführt. Des Weiteren wurden die Leistungen verschiedener Kernelfunktionen zur Darstellung der ``Cross Validation Accuracies`` bei unterschiedlicher Kernelmethode evaluiert und die Optimierung der Ergebnisse durchgeführt