Machine learning is when a computer can learn from data and draw its own conclusions without being explicitly programmed to do so. To implement machine learning effectively and correctly, it is important to have a structured framework to follow. Today, there exist several different frameworks but no framework is suited for all purposes of machine learning. This thesis evaluates three chosen frameworks CRISP-DM, SEMMA and KDD for the purpose of imple- menting machine learning in signal processing. This study was conducted at Saab AB in Ja¨rf¨alla. The specific problem area of signal processing that was evaluated in the thesis was radar warn- ing systems. A hypothesis is that they could become more efficient with machine learning. To evaluate the chosen frameworks, it was studied what was demanded from a framework when implementing machine learning in the chosen problem area. The evaluation was done with a theoretical comparison where no implementations of the different frameworks were done. The frameworks were evaluated through an evaluation method created by the authors. The evaluation method was used for the purpose of finding a framework suitable for signal processing when developing the software for a radar warning system. The result is that CRISP-DM is the most well-suited of the three frame- works. This because it originates from a business perspective, is distinct in how to use it and is easy to implement in an agile process like Scrum. / Maskininlärning är när en dator kan lära sig från data och dra egna slutsatser utan att specifikt vara programmerad att göra det. För att lyckas med att implementera maskininlärning på ett effektivt sätt så krävs det att man följer ett tydligt ramverk. Idag finns det många ramverk men inget som är lämpat för alla typer av maskininlärning. Denna rapport utvärderar tre valda ramverk: CRISP- DM, SEMMA och KDD. Detta med syftet att implementera maskininlärn-ing i signalbehandling. Studien utfördes på Saab AB i Järfälla. Det specifika problemområde inom signalbehandling som utvärderades i rapporten var radarvarningssys- tem. En hypotes är att de kan bli mer effektiva med maskininlärning. För att utvärdera de valda ramverken så studerades vad som krävdes av ett ramverk för det valda problemområdet. Utvärderingen skedde genom en teoretisk jämförelse där ingen implementation av de olika ramverken genomfördes. Ramverken utvärderades genom en utvärderingsmetod skapad av förfat-tarna. Utvärderingsmetoden användes med syftet att finna ett ramverk som var lämpligt för signalbehandling vid utveckling av mjukvara för ett radarvarningssystem. Resultatet var att CRISP-DM var den mest lämpade metoden. Detta för att den utgår från ett affärsperspektiv, har tydliga riktlinjer hur den ska användas och att den enkelt kan implementeras i agila processer såsom Scrum.