Es ist kein Geheimnis, dass sich soziale Medienplattformen in einem noch nie dagewesenen Tempo vermehren, und da der Internetzugang immer allgegenwärtiger wird, ist die Verbreitung von Fake News ein schneller und müheloser Prozess geworden. Die Auswirkungen dieses Phänomens sind tiefgreifend, insbesondere in den Bereichen Politik und Bildung, wo Fake News erhebliche Störungen verursachen können.In dieser Forschungsstudie werden wir Natural Language Processing (NLP) einsetzen, um textbasierte Nachrichtenschlagzeilen in numerische Vektoren umzuwandeln. Wir untersuchten und verglichen zwei NLP-Methoden, Bag of Words (BoW) und Term Frequency-Inverse Document Frequency (TF-IDF), um zu sehen, wie gut sie bei der Verwendung verschiedener ML-Algorithmen zur Identifizierung von Fake News abschneiden.Wir werden verschiedene Klassifizierungsalgorithmen des maschinellen Lernens verwenden, darunter Naïve Bayes, Logistische Regression, Random Forest und Support Vector Machine. Unser Ziel war es, die effektivste NLP-Technik zur Erkennung von Fake News zu finden.