روش یادگیری ماشین، رویکرد قدرتمندی برای مطالعات ژنومی است. هدف تحقیق حاضر، استفاده از روش یادگیری ماشین (جنگل تصادفی) برای پویش ژنومی پیشنهادی صفات تولیدمثلی شامل سن در زمان اولین زایش (AFC)، روزهای باز (DO)، فاصله گوسالهزایی (CI) و نرخ آبستنی دختران (DPR) در گاوهای هلشتاین ایران بود. اطلاعات لازم از مرکز اصلاح نژاد و بهبود تولیدات دامی کشور اخذ شد. اطلاعات ژنوتیپی شامل نشانگرهای چند شکلی تک نوکلئوتیدی (SNP) مربوط به 2419 رأس گاو هلشتاین نر بود. فایل داده مشتمل بر رکوردهای ثبت شده سالهای 1360 تا 1398 شامل 2774183 رأس دام بود. با توجه به تفاوت تراکم در اطلاعات ژنومی گاوهای نر، تعداد نشانگرهای آن ها نیز با یکدیگر متفاوت بود. برای یکسانسازی نشانگرها از نرم افزار FImpute برای جانهی ژنوتیپ استفاده شد. در این تحقیق با استفاده از الگوریتم جنگل تصادفی که نمونه ای از الگوریتم های با نظارت و از نوع رگرسیونی است، در مجموع، 21 نشانگر با میزان اهمیت بالا برای صفات مختلف تولیدمثلی مشخص شد. سپس، با استفاده از روش هستیشناسی ژن، ژنهای پیشنهادی مهمی برای این صفات شناسایی شدند. ژنهای MPZL1 و CD247 شناسایی شده روی کروموزوم 3 در ارتباط با صفت AFC و ژنهای RPS6KC1 و FAM170A در ارتباط با صفت DPR برای بهبود عملکرد تولیدمثلی گاوهای شیری، مهم بوده و میتوانند مورد استفاده قرار گیرند. نشانگرها و ژنهای شناسایی شده در این تحقیق میتوانند اطلاعات جدیدی را در مورد معماری ژنتیکی صفات تولیدمثلی برای بهبود ژنومی آنها ارائه دهد و در طراحی تراشهها برای ارزیابی صفات تولیدمثلی مورد استفاده قرار گیرد.