Made available in DSpace on 2016-08-29T15:33:13Z (GMT). No. of bitstreams: 1 tese_4083_.pdf: 853634 bytes, checksum: 128833f0f7dbbf4105fe8e92f379f1ab (MD5) Previous issue date: 2012-01-30 / Mineração de dados é uma área chave para diversos campos da ciência e engenharia. Neste contexto, um método de aprendizado estatístico, conhecido como máquinas de vetores suporte tem se apresentado como um método promissor para solucionar classificação de dados. Geralmente, o problema de máquinas de vetores suporte (inglês: Support Vector Machines - SVM) é formulado como um problema de otimização não-linear sujeito a restrições. Técnicas de otimização convencionais que utilizam a abordagem Lagrangiana são usadas para solucionar este tipo de problema. No caso de classificação de dados ruidosos as técnicas convencionais apresentam deterioração de desempenho, já que o problema de otimização resultante é multidimensional e pode apresentar muitos mínimos locais. Neste trabalho, é proposto o algoritmo Evolução Diferencial combinado com uma técnica de busca local, uma hibridização de busca tabu com o método Nelder-Mead, para encontrar os parâmetros ótimos dos classificadores SVM aplicados a dados ruidosos.