In this research, the focus was on the development of a Battery Cycler system with the primary objective of accurately predicting both the State of Charge (SoC) and State of Health (SoH) for batteries. Machine learning techniques, specifically MLP Regression, K-Nearest Neighbor, and Decision Tree Regression, were harnessed for a comprehensive analysis. The data collection and processing phase spanned 44 days. The findings underscore the potential of employing relatively uncomplicated machine learning models for the prediction of SoC and SoH. Particularly noteworthy was the strong performance of K-Nearest Neighbor, especially after deliberate optimization efforts were applied. Despite the simplicity of these techniques, the results suggest significant promise for battery management and health assessment. Nevertheless, challenges linked to temperature fluctuations and current noise were identified as factors impacting predictive performance. Mitigating these challenges is imperative to enhance the robustness and precision of predictive models in future iterations. The implications of this work extend to broader applications in battery management systems, offering insights into potential avenues for optimizing battery usage, extending longevity, and enhancing overall performance. Leveraging machine learning methodologies in a straightforward manner, this research is anticipated to contribute to advancements in battery health monitoring and management, setting the stage for more intricate models in subsequent studies. / I denna forskning har vi tagit oss an utvecklingen av ett battericykelsystem med målet att noggrant förutsäga både laddningstillstånd (SoC) och hälsotillstånd (SoH) för batterier. Genom att utnyttja maskininlärningstekniker utförde vi en omfattande analys med hjälp av MLP-regression, K-Nearest Neighbor och Decision Tree regression. Över en tidsperiod av 44 dagar samlades batteridata in och bearbetades noggrant. Resultatet understryker möjligheten att använda relativt okomplicerade maskininlärningsmodeller för att förutsäga både laddningstillstånd och hälsotillstånd. Särskilt K-Nearest Neighbor framstår som en lovande kandidat med tanke på förutsägbarhetsnoggrannheten den visat, särskilt efter medvetna ansträngningar för optimering. Trots teknikernas enkelhet antyder våra resultat en betydande potential för batterihantering och hälsobedömning. Emellertid har utmaningar som temperaturvariationer och strömbuller identifierats som faktorer som påverkar förutsägelseprestanda. Att bemöta dessa utmaningar är avgörande för att öka robustheten och precisionen i våra förutsägelsemodeller i framtida utföranden.. Denna forsknings arbetsresultat sträcker sig till bredare användningsområden inom batterihanteringssystem och erbjuder insikter i möjliga riktningar för att optimera batterianvändning, livslängd och övergripande prestanda. Genom att utnyttja maskininlärningsmetoder förutser vi att denna forskning kommer att bidra till framsteg inom övervakning och hantering av batterihälsa, och lägga grunden för mer sofistikerade modeller i framtiden.