Разрабатываются методы машинного обучения, а именно модели нейронных сетей, для классификации по первичной частице (мюон или нейтрино) событий одного кластера телескопа Baikal-GVD, полученных с помощью Монте-Карло симуляции. Энергии нейтрино лежат в диапазоне от 10 ГэВ до 100 ТэВ. В результате применения моделей с высокой точностью разделяются события от нисходящих атмосферных мюонов и восходящих нейтрино: показана возможность отличить 1 событие, вызванное нейтрино, на фоне 10$^6$ событий, вызванных мюонами. Также на основе нейронных сетей разрабатывается алгоритм восстановления количества событий, инициированных нейтрино, в произвольном наборе событий с минимальной ошибкой. Результаты этой работы показывают, что в перспективе применение машинного обучения к экспериментальным данным Baikal-GVD может улучшить точность стандартных алгоритмических методов реконструкции событий.