В настоящей работе представлено подробное исследование применения методов машинного обучения для прогнозирования ключевых гидродинамических параметров судов. Актуальность работы обусловлена необходимостью сокращения временных и финансовых затрат на традиционные гидродинамические расчеты при проектировании судов. В исследовании проведен сравнительный анализ трех методов машинного обучения - Linear Regression, Random Forest, Gradient Boosting. Эксперименты выполнены на оригинальном наборе данных, включающем 52 существующих судна классов Feeder и Panamax, с характеристиками «длина», «ширина», «осадка», «скорость», «площадь смоченной поверхности» и «коэффициент общей полноты». Основное внимание уделено прогнозированию чисел Фруда и Рейнольдса для предварительной оценки сопротивления. Результаты демонстрируют превосходство линейной регрессии: для числа Фруда достигнуто R² = 0.9986 при MSE = 5.15e-07, для числа Рейнольдса - R² = 0.9998 при MSE = 9.00e+13. Средняя абсолютная процентная ошибка MAPE (Mean Absolute Percentage Error) составила 0,15 % и 0,57 % соответственно. Итоговым результатом является программа расчета на базе искусственного интеллекта (ИИ), которая способна считать значения Fr и Re. Практическая значимость работы обусловлена демонстрацией возможностей новых методов расчета, которые при должном подходе способны повысить точность и оптимизировать процесс классического расчета. Полученные результаты позволяют рекомендовать метод линейной регрессии для предварительной оценки гидродинамических характеристик на ранних этапах проектирования. Практическая значимость обусловлена возможностью повышения точности гидродинамических расчетов и оптимизации формы корпуса на основе прогнозируемых данных. Перспективы дальнейших исследований включают расширение набора данных, учет дополнительных параметров и тестирование гибридных моделей.