Aufgrund der ökologischen, politischen und technologischen Entwicklungen wird die Datenerfassung im Bereich der Gebäudeenergietechnik immer umfangreicher. In diesem Zusammenhang gewinnen neue datengesteuerte Methoden speziell für die Systemanalyse und -optimierung solcher technischen Systeme, an Bedeutung. Diese Arbeit zielt darauf ab, die Relevanz und Anwendbarkeit von Machine Learning (ML) bei der Lösung anwendungsspezifischer Herausforderungen zu untersuchen, wobei die Monitoring-Daten eines modernen Gebäudeenergiesystems als Fallstudie verwendet werden. Es wurde eine ML-basierte Toolchain entwickelt, die aus drei allgemeinen Forschungszielen besteht, dem Lernen von Sensorassoziationen für Systemverständnis, Datenvalidierung und konkrete Systemanalyse. Einzelne ML-Pipelines, die die allgemeine Pipeline-Architektur nutzen, wurden unter Verwendung von Association Learning (AL), Klassifikations- und Regressions-ML-Algorithmen entwickelt. Die Auswertungen zeigten, dass AL nur bedingt anwendbar war, während die klassifizierungs- und regressionsbasierten Pipelines gut abschneiden und die damit verbundenen Ziele der Datenvalidierung und Systemanalyse erfüllen. Konkret zeigte der Random Forest die besten Ergebnisse, da er in der Lage war, die zugrunde liegende Systemdynamik zu erlernen. Er besitzt somit das Potenzial den manuellen Aufwand im Prozess der Systemanalyse zu reduzieren. Die Ergebnisse zeigen, dass ML auf Gebäudemonitoring-Daten anwendbar ist und dass die angewandten Methoden automatisierbare und datenbasierte Lösungen für interdisziplinäre Herausforderung bieten.