Точные оценки стоимости ИТ-проектов имеют решающее значение для эффективного планирования разработки программного обеспечения, составления бюджета и управления рисками. Традиционные методы оценки затрат, такие как экспертные мнения, параметрические модели и аналогии с историческими данными, часто не позволяют получить достоверные результаты, особенно в условиях динамичной среды, характеризующейся быстрыми технологическими изменениями и недостатком исторической информации. В настоящем исследовании описана разработка модели на основе методов машинного обучения, направленной на повышение точности и надежности оценки стоимости ИТ-проектов. Предлагаемый подход использует передовые алгоритмы машинного обучения, такие как Random Forest и Gradient Boosting, обученные на наборах данных, включающих как реальные, так и синтетически сгенерированные данные о проектах. В качестве предикторных признаков используются ключевые параметры проекта, включая размер проекта (LOC), размер команды, продолжительность разработки, сложность проекта и применяемую методологию разработки. Для решения проблемы нехватки данных и расширения обучающей выборки применяются методы генерации синтетических данных, что обеспечивает более широкое покрытие возможных сценариев проектов. Модели машинного обучения превосходят традиционные методы по точности прогнозирования, демонстрируя более низкую среднюю абсолютную ошибку (MAE) и более высокий коэффициент детерминации (R²). Анализ значимости признаков выявляет наиболее важные факторы, влияющие на стоимость проектов, предоставляя ценную информацию для менеджеров проектов и лиц, принимающих решения. Настоящее исследование способствует развитию интеллектуальных систем поддержки принятия решений в управлении ИТ-проектами и демонстрирует потенциал машинного обучения для повышения точности прогнозирования затрат, особенно в условиях недостаточности или отсутствия исторических данных.