In der Chemie eröffnet das maschinelle Lernen die Perspektive, komplexe Problemstellungen zu lösen und neues Wissen für die Entwicklung von Materialien, Arzneimitteln und chemischen Reaktionen zu generieren. Trotz dieser vielversprechenden Aussichten herrscht in der chemischen Forschung eine gewisse Vorsicht gegenüber dem umfassenden Einsatz des maschinellen Lernens. Dies ist teilweise auf das Fehlen einfach zu nutzender Software für das Erstellen von Modellen des maschinellen Lernens zurückzuführen. Um diese Hürde zu überwinden, wurde in dieser Arbeit das leicht handhabbare Toolkit EasyChemML konzipiert. Dieses verfolgt das Ziel, die Kollaboration zwischen Informatiker*innen und Chemiker*innen zu fördern. Das Hauptanliegen dieser wissenschaftlichen Abhandlung bestand in der Entwicklung dieses Toolkits und dessen Evaluierung im Kontext von vier wegweisenden Projekten aus dem Bereich der organischen Chemie. Eine wichtige Erkenntnis aus diesen Projekten war die zentrale Rolle der Molekülrepräsentation für die Vorhersagequalität der Modelle. Darüber hinaus wurden die Auswirkungen von negativen Daten auf die Vorhersagequalität untersucht, wobei sich das Einbeziehen solcher Daten als vorteilhaft erwies. Zusammenfassend leistet diese Dissertation einen wichtigen Beitrag zur Entwicklung und Steigerung der Anwendbarkeit des maschinellen Lernens in der Chemie.