Orientador: Ronei Jesus Poppi / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-08-08T20:32:52Z (GMT). No. of bitstreams: 1 Borin_Alessandra_D.pdf: 4356106 bytes, checksum: 6db61edddb59ead1ed109312c8c4cb58 (MD5) Previous issue date: 2007 / Resumo: Neste trabalho foram comparados modelos desenvolvidos utilizando as máquinas de vetores de suporte por mínimos quadrados (LS-SVM) e regressão por mínimos quadrados parciais (PLS) para três aplicações em determinação de parâmetros de qualidade em matrizes lácteas. Na primeira aplicação determinaram-se simultaneamente três adulterantes em leite em pó (amido, soro de leite e sacarose), empregando espectroscopia no infravermelho próximo por reflectância difusa. Em todos os modelos desenvolvidos, os resultados obtidos com LS-SVM foram superiores ao PLS, apresentando erros de previsão na faixa de 1,10% para amido, 1,10% para soro e 0,60% para sacarose, comparados aos erros de previsão obtidos pelo PLS: 2,40% para amido, 4,00% para soro e 3,00% para sacarose. Na segunda aplicação, quantificou-se Lactobacillus em leite fermentado a partir de imagens escaneadas de placas de crescimento microbiológico. A imagem foi convertida em histograma de cores, para ser usada no desenvolvimento dos modelos PLS e LS-SVM. O modelo desenvolvido pelo LS-SVM apresentou erros de previsão da ordem de 22,16 ufc e o PLS apresentou erros de previsão de 41,46 ufc. Na última aplicação, foi realizada a determinação do índice de gordura em leite humano, provenientes de diferentes doadoras, empregando a espectroscopia no infravermelho médio por reflectância total atenuada. Novamente o modelo LS-SVM apresentou melhores resultados em relação ao PLS, onde para a LS-SVM foram obtidos erros de previsão da ordem de 41,00 Kcal/L e, para o PLS, erros de previsão de 103,00 Kcal/L. / Abstract: In this work calibration models by using Least-square support vector machine (LS-SVM) and Partial least square (PLS) regression were compared for three applications in determination of quality parameters in milky matrices. In the first application, three adulterants in powdered milk (starch, whey and sucrose) had been simultaneously determined employing near infrared spectroscopy by diffuse reflectance. In all developed models the results obtained with LS-SVM were superior to PLS, presenting prediction errors of 1,10% for starch, 1,10% for whey and 0,60% for sucrose compared with the errors obtained by the PLS of 2,40% for starch, 4,00% for whey and 3,00% for sucrose. In the second application, Lactobacillus in fermented milk were quantified from digital images of microbiological plates of growth. The images was converted into histogram of colors to be used in the development of PLS and LS-SVM models. The model developed for the LS-SVM presented errors of 22,16 cfu an the PLS presented prediction errors of 41,46 cfu. In the last application, the fat index in human milk was determined, proceeding from different mothers, employing Mid spectroscopy by attenuated total reflectance. Again, LS-SVM model presented better reulted than PLS, with prediction error 41,00 Kcal/L against PLS the prediction error of 103,00 Kcal/L. / Doutorado / Quimica Analitica / Doutor em Ciências

Orientador: Ronei Jesus Popi / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Química / Made available in DSpace on 2018-08-18T17:27:36Z (GMT). No. of bitstreams: 1 Maretto_DaniloAlthmann_D.pdf: 2617064 bytes, checksum: 1ebea2b6ab73ef552155cd9b79b6fd1b (MD5) Previous issue date: 2011 / Resumo: O objetivo desta tese de doutorado foi de utilizar o algoritmo Máquinas de Vetores de Suporte (SVM) em problemas de classificação e calibração, onde algoritmos mais tradicionais (SIMCA e PLS, respectivamente) encontram problemas. Foram realizadas quatro aplicações utilizando dados de espectroscopia no infravermelho. Na primeira o SVM se mostrou ser uma ferramenta mais indicada para a determinação de Carbono e Nitrogênio em solo por NIR, quando estes elementos estão em solos sem que se saiba se há ou não a presença do mineral gipsita, obtendo concentrações desses elementos com erros consideravelmente menores do que a previsão feita pelo PLS. Na determinação da concentração de um mineral em polímero por NIR, que foi a segunda aplicação, o PLS conseguiu previsões com erros aceitáveis, entretanto, através da análise do teste F e o gráfico de erros absolutos das previsões, foi possível concluir que o modelo SVM conseguiu chegar a um modelo mais ajustado. Na terceira aplicação, que consistiu na classificação de bactérias quanto às condições de crescimento (temperaturas 30 ou 40°C e na presença ou ausência de fosfato) por MIR, o SIMCA não foi capaz de classificar corretamente a grande maioria das amostras enquanto o SVM produziu apenas uma previsão errada. E por fim, na última aplicação, que foi a diferenciação de nódulos cirróticos e de hepatocarcinoma por microespectroscopia MIR, a taxa das previsões corretas para os conjuntos de validação do SVM foram maiores do que do SIMCA. Nas quatro aplicações o SVM produziu resultados melhores do que o SIMCA e o PLS, mostrando que pode ser uma alternativa aos métodos mais tradicionais de classificação e calibração multivariada / Abstract: The objective of this thesis was to use the algorithm Support Vector Machines (SVM) in problems of classification and calibration, where more traditional algorithms (SIMCA and PLS, respectively) present problems. Four applications were developed using data for infrared spectra. In the first one, the SVM proved to be a most suitable tool for determination of carbon and nitrogen in soil by NIR, when these elements are in soils without knowledge whether or not the presence of the gypsum mineral, obtaining concentrations of these elements with errors considerably smaller than the estimated by the PLS. In the determination of the concentration of a mineral in a polymer by NIR, which was the second application, the PLS presented predictions with acceptable errors, however, by examining the F test and observing absolute errors of predictions, it was concluded that the SVM was able to reach a more adjusted model. In the third application, classification of bacteria on the different growth conditions (temperatures 30 or 40 ° C and in the presence or absence of phosphate) by MIR, the SIMCA was not able to correctly classify the majority of the samples while the SVM produced only one false prediction. Finally, in the last application, which was the differentiation of cirrhotic nodules and Hepatocellular carcinoma by infrared microspectroscopy, the rate of correct predictions for the validation of sets of SVM was higher than the SIMCA. In the four applications SVM produced better results than SIMCA and PLS, showing that it can be an alternative to the traditional algorithms for classification and multivariate calibration / Doutorado / Quimica Analitica / Doutor em Ciências

Orientador: Janito Vaqueiro Ferreira / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica / Made available in DSpace on 2018-08-23T16:12:48Z (GMT). No. of bitstreams: 1 ArcilaGago_ManuelFelipe_M.pdf: 7192169 bytes, checksum: 7b23a08769656a07765344e20d1f6ad4 (MD5) Previous issue date: 2013 / Resumo: A variedade de materiais no setor aeronáutico para redução de peso e custo tem se proliferado a um grau intensivo, onde têm sido revisadas diferentes pesquisas para encontrar outros tipos de materiais de fácil maneabilidade para construção de peças que satisfazem as restrições impostas. Assim, existe uma procura constante de soluções para facilitar a produção, e ao mesmo tempo aumentar a segurança das aeronaves levando em consideração pontos importantes como a fadiga e ruptura do material. Um material frequentemente utilizado que atende a estes requisitos devido a suas propriedades de densidade e resistência é o alumínio, e é neste ambiente que existe um processo de manufatura utilizado para a soldagem conhecido como "Friction Stir Welding" (FSW). No presente momento, estudos para criação de modelos que representem características mecânicas utilizadas em projetos em função de parâmetros do processo tem sido pesquisados. Embora este processo seja de difícil modelagem devidos as suas complexidades, tem sido estudado e utilizado diferentes algoritmos que possibilitem o melhoramento da representação do modelo, tais como os relacionados com máquinas de aprendizagem (ML) e suas diferentes otimizações. Neste contexto, a presente pesquisa tem seu foco na obtenção de um modelo baseado no algoritmo de aprendizagem de Máquina de Vetores de Suporte (SVM), e também com outros algoritmos tais como Regressão Polinomial (RP) e Rede Neural Artificial (RNA), buscando encontrar modelos que representem o processo de soldagem por FSW através das propriedades mecânicas obtidas pelos ensaios de tração e por análise de variância (ANOVA), entendendo suas vantagens e, posteriormente, recomendar quais dos algoritmos de aprendizagem tem maior beneficio / Abstract: In the aerospace industry to reduce weight and cost, a great quantity of materials has been used, which has generated research to find types of materials, that have been better maneuverability and to guarantee the properties required to development of pieces for the industry. Thus, the studies look for optimize between production easiness and increase the aircraft safety, taking into consideration important issues such as fatigue and fracture of the materials. One of the most common approach used is aluminum by their mechanical properties (density and strength), although it has many problems to be welding with the traditional methods. Currently, the Friction Stir Welding (FSW) process is used in the industry, as well in the academy. However, the FSW is difficult to model by the complexities in the physical phenomenal occurred during the weld process, as result, has been studied and used different algorithms that allow enhance the model representation. The Machine Learning (ML) is a methodology studied to obtain the model optimized. In this context, the present research focus by to obtain a model-based in learning algorithm using Support Vector Machine (SVM). Although comparisons were made with other algorithms such as Polynomial Regression (PR) and Artificial Neural Network (ANN), searching to find models that represent the FSW process weld using the mechanical properties obtained by tensile tests and analysis of variance (ANOVA). Finally, conclusions to understand the advantages learning algorithms are presented / Mestrado / Mecanica dos Sólidos e Projeto Mecanico / Mestre em Engenharia Mecânica

Orientadores: Laercio Luis Vendite, Stanley Robson de Medeiros Oliveira / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-23T23:19:05Z (GMT). No. of bitstreams: 1 Chahine_GabrielJorge_M.pdf: 1229228 bytes, checksum: fffd253696b5a9dee9870ae1910256e5 (MD5) Previous issue date: 2013 / Resumo: Dos cânceres do trato urinário, os mais comuns são os de Próstata e de Bexiga, sendo o primeiro a causa mais comum de morte por câncer e o carcinoma mais comum para homens. Nosso objetivo nesse trabalho é desenvolver modelos para determinar se um dado tumor irá aumentar e invadir outros órgãos ou se não apresenta esse risco e permanecerá contido. Para isso, coletamos dados de pacientes com câncer de próstata e analisamos quais variáveis mais impactam para ocorrência de metástase. Com isso construímos modelos de classificação, que, com os dados de um determinado paciente, detectam se naquele caso haverá ou não metástase à distância. Nesse trabalho apresentamos modelos para predição de ocorrência de metástases em câncer de próstata. As simulações foram feitas com dados cedidos pelo prof. Dr. Ubirajara Ferreira, responsável pela disciplina de Urologia da FCM da Unicamp, do Hospital das Clinicas - UNICAMP / Abstract: Of all the cancers of the urinary tract, the most common are the Prostate and Bladder. The first being the most common cause of death by cancer and the most common carcinoma in men. Our goal in this work is to develop predictive models to determine whether a given tumor will grow and invade other organs or, if it doesn't present this risk and will remain constrained. To do this, we collected data from patients with prostate cancer and assessed which variables were the most responsible for the occurrence of metastasis. Hence, we built predictive models that, with the data of a given patient, are able detect whether or not a distant metastasis would occur in. In this work we present models to predict the occurrence of metastasis in prostate cancer. The simulations were made with the data given by prof. Dr. Ubirajara Ferreira, responsible for the disciplines of Urology from Unicamp's Faculty of Medical Sciences / Mestrado / Matematica Aplicada e Computacional / Mestre em Matemática Aplicada e Computacional

Orientador: Robson Pederiva / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica / Made available in DSpace on 2018-08-19T20:21:22Z (GMT). No. of bitstreams: 1 Silva_ViniciusAugustoDiniz_M.pdf: 16029999 bytes, checksum: a3585cbd021c6f84637d409a34a51962 (MD5) Previous issue date: 2012 / Resumo: Motores elétricos são componentes essenciais na grande maioria dos processos industriais. As diversas falhas nas máquinas de indução podem gerar consequências drásticas para um processo industrial. Os principais problemas estão relacionados ao aumento dos custos, piora nas condições do processo e de segurança e qualidade do produto final. Muitas destas falhas mostram-se progressivas. Neste trabalho, apresenta-se uma contribuição ao estudo de métodos de detecção de falhas em motores elétricos usando Máquinas de Vetores de Suporte (SVM), treinadas a partir de sinais de vibração obtidos experimentalmente. A metodologia desenvolvida é usada para classificar a excitação devido a falhas mecânicas e elétricas, além da condição normal de funcionamento, utilizando apenas um sensor de vibração. Através da seleção de parâmetros é possível reduzir o número de entradas capazes de representar os sinais utilizados para o treinamento das SVMs. A normalização proposta permitiu melhorar as taxas de acerto, quando se quer classificar falhas em diferentes níveis de severidade das que foram utilizadas para o treinamento. Os resultados mostraram que a metodologia apresentada pode ser adaptada para ser utilizada em aplicações práticas industriais e poderá ser no futuro uma saída viável para uma manutenção industrial eficiente e eficaz / Abstract: Electric motors are essential components in most industrial processes. The several faults in induction machines can produce drastic consequences for an industrial process. The main problems are related to rising costs, decrease conditions in the process and safety and quality of the final product. Many of these failures are progressive. In this paper, we present a contribution to the study of methods for detecting faults in induction motors using Support Vector Machines (SVM) trained from vibration signals obtained experimentally. The developed methodology is used to classify the excitation due to mechanical and electrical failures, in addition to normal operating condition, using only a vibration sensor. Through the feature selection is possible to reduce the number of inputs that represent the signals used for training the SVMs. The proposed standardization has improved the accuracy rates when we want to classify failures at different levels of severity that were used for training. The results showed that this methodology can be adapted for use in industrial and practical applications and in the future may be a viable approach to an efficient and effective industrial maintenance / Mestrado / Mecanica dos Sólidos e Projeto Mecanico / Mestre em Engenharia Mecânica

Orientador: Walmir de Freitas Filho / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-27T12:29:12Z (GMT). No. of bitstreams: 1 Pinto_AdrianoCosta_M.pdf: 2073375 bytes, checksum: e1c68a8598816ca4909e74ba53dee76d (MD5) Previous issue date: 2015 / Resumo: A crescente demanda por energia elétrica, por vezes em ritmo mais acelerado que os investimentos em expansão das redes de distribuição, tem levado as distribuidoras a operarem próximo aos limites aceitáveis, o que torna toda a operação da rede mais complexa. Um dos desafios atuais é estabelecer um efetivo controle de tensão e potência reativa (Volt/var) na rede buscando melhorar o nível de operação e de eficiência energética da rede. Muitas propostas para encontrar a solução do problema partiram de uma abordagem de forma desacoplada: o controle de tensão e o controle de potência reativa foram resolvidos separadamente. Neste trabalho, porém, foram estudados métodos de solução do problema visando à segurança da operação e à otimização global dos recursos da rede de modo integrado, ou seja, considerando a dependência entre tensão e potência reativa. Na literatura, grande parte dos trabalhos reportam soluções baseadas em modelos elétricos da rede de distribuição. Os métodos estudados nessa dissertação são baseados em técnicas de aprendizado de máquina com o objetivo de construir um modelo capaz de utilizar apenas as medições de tensão e corrente provenientes dos medidores instalados ao longo da rede e obter o melhor despacho dos ajustes dos dispositivos de controle, sem a necessidade de um modelo elétrico do sistema. A grande vantagem de não depender dos dados e modelo elétrico do sistema está associada às imprecisões tipicamente existentes na base de dados elétricos das concessionárias de distribuição de energia elétrica. Neste contexto, primeiramente, propõe-se o uso de aprendizado por reforço, no qual o agente interage com a rede enquanto acumula experiência de operação dos controles. A implementação através do algoritmo Q-Learning permite a construção de um operador virtual da rede de distribuição a partir dos dados provenientes dos medidores instalados em determinadas barras do sistema, dos quais é extraído o estado corrente da condição de carregamento da rede. Os principais aspectos da aplicação do método ao problema de controle integrado de tensão e potência reativa são simulados em redes típicas e as capacidades de aplicação prática ao cenário atual do sistema elétrico são discutidas. Em uma segunda etapa, propõe-se utilizar um algoritmo de aprendizado supervisionado através de Máquinas de Vetores de Suporte (em inglês, Support Vector Machine ¿ SVM), uma técnica eficientemente aplicada a problemas de mineração de dados. O modelo é implementado através de técnicas de classificação, que extraem características relevantes nos conjuntos de dados, a fim de otimizar a operação da rede para cada condição de carregamento, eliminando a necessidade de repetir o treinamento do modelo ou calcular uma nova solução do problema de otimização a cada novo cenário. Discute-se o desempenho do método baseado em SVM para diferentes características de entrada. Investiga-se ainda a generalização do modelo proposto na presença de ruídos nos dados e no caso de reconfiguração da rede. Estudos em sistemas típicos de distribuição mostram que o método proposto é eficiente na solução de problemas práticos do dia-a-dia das concessionárias, principalmente em ambientes com grande volume de dados / Abstract: The growing demand for electricity, sometimes at a faster rate than investments in distribution network expansion, has led utilities operating close to acceptable limits, which makes the network operation more complex. One of current challenges is to establish an effective voltage and reactive power control, improving the operation as well as the efficiency of the distribution network. There are many methods reported to find a solutions for the voltage and reactive power problem. Most of them have adopted a decoupled form, solving the voltage control and reactive power (Volt/var) control separately. However, in this work, methods for the problem solution aiming the operation safety and the global assets optimization are approached in an integrated fashion, i. e., considering the dependence between voltage and reactive power. Most papers reports solution based on electrical models of distribution network. In this dissertation, the methods studied are based on machine learning techniques aiming to build a model with directly power meter data using capability, and set optimal dispatch of controls devices adjustments, without the need of an electrical model of the system and, therefore, not susceptible to inaccuracies of the model of the distribution network under study. Firstly, it proposes a reinforcement learning use, in which the agent interacts with the network while earns control operating experience. The implementation, thought de Q-Learning algorithm allows a construction of a distribution network virtual operation from data obtained from the meters installed on buses. From the meter data, is extracted the current state of the network loading condition. The main aspects of the application of the method to the integrated voltage and reactive power control are simulated in a typical network and the possibilities of practical application in the current scenario of the electrical system are discussed. In a second step, an algorithm for supervised learning via the Support Vector Machine (SVM), a technique applied efficiently to problems in data mining is proposed. The model is implemented by classification techniques, extracting relevant features in the data sets from the power meters in order to optimize the operation of the network for each loading condition. Thus it eliminates the need to retraining model or calculating a new optimization problem solution for each new scenario. Discusses the performance based on different features for SVM model input. Also the generalization capabilities of the proposed model in the presence of noise and in the case of network reconfiguration are studied. Studies in typical distribution systems show that proposed method is a good candidate to solve the practical problem of the system, especially in large networks with large amounts of data / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica

Orientador: Ronei Jesus Poppi / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Química / Made available in DSpace on 2018-08-19T18:06:58Z (GMT). No. of bitstreams: 1 Alves_JulioCesarLaurentino_D.pdf: 19282542 bytes, checksum: 78d1bf16d9d133c488adb4bedf593b06 (MD5) Previous issue date: 2012 / Resumo: Modelos lineares de regressão e classificação por vezes proporcionam um desempenho insatisfatório no tratamento de dados de espectroscopia no infravermelho próximo de produtos derivados de petróleo. A máquina de vetores de suporte (SVM), baseada na teoria do aprendizado estatístico, possibilita o desenvolvimento de modelos de regressão e classificação não lineares que podem proporcionar uma melhor modelagem dos referidos dados, porém ainda é pouco explorada para resolução de problemas em química analítica. Nesse trabalho demonstra-se a utilização do SVM para o tratamento de dados de espectroscopia na região do infravermelho próximo de combustíveis e lubrificantes. O SVM foi utilizado para a solução de problemas de regressão e classificação e seus resultados comparados com os algoritmos de referência PLS e SIMCA. Foram abordados os seguintes problemas analíticos relacionados a controle de processos e controle de qualidade: (i) determinação de parâmetros de qualidade do óleo diesel utilizados para otimização do processo de mistura em linha na produção desse combustível; (ii) determinação de parâmetros de qualidade do óleo diesel que é carga do processo de HDT, para controle e otimização das condições de processo dessa unidade; (iii) determinação do teor de biodiesel na mistura com o óleo diesel; (iv) classificação das diferentes correntes que compõem o pool de óleo diesel na refinaria, permitindo a identificação de adulterações e controle de qualidade; (v) classificação de lubrificantes quanto ao teor de óleo naftênico e/ou presença de óleo vegetal. Demonstram-se o melhor desempenho do SVM em relação aos modelos desenvolvidos com os métodos quimiométricos de referência (métodos lineares). O desenvolvimento de métodos analíticos rápidos e de baixo custo para solução de problemas em controle de processos e controle de qualidade, com a utilização de modelos de regressão e classificação mais exatos, proporcionam o monitoramento da qualidade de forma mais eficaz e eficiente, contribuindo para o aumento das rentabilidades nas atividades econômicas de produção e comercialização dos derivados do petróleo estudados / Abstract: Linear regression and classification models can produce a poor performance in processing near-infrared spectroscopy data of petroleum products. Support vectors machine (SVM), based on statistical learning theory, provides the development of models for nonlinear regression and classification that can result in better modeling of these data but it is still little explored for solving problems in analytical chemistry. This work demonstrates the use of the SVM for treatment of near-infrared spectroscopy data of fuels and lubricants. The SVM was used to solve regression and classification problems and its results were compared with the reference algorithms PLS and SIMCA. The following analytical problems related to process control and quality control were studied: (i) quality parameters determination of diesel oil, used for optimization of in line blending process; (ii) quality parameters determination of diesel oil which is feed-stock of HDT unit for optimization of process control; (iii) quantification of biodiesel blended with diesel oil; (iv) classification of different streams that make up the pool of diesel oil in the refinery, enabling identification of adulteration and quality control; (v) classification of lubricants based on the content of naphthenic oil and/or the presence of vegetable oil. It is shown the best performance of the SVM compared to models developed with the reference algorithms. The development of fast and low cost analytical methods used in process control and quality control, with the use of more accurate regression and classification models, allows monitoring quality parameters in more effectiveness and efficient manner, making possible an increase in profitability of economic activities of production and business of petroleum derivatives studied / Doutorado / Quimica Analitica / Doutor em Ciências

Orientadores: Antonio Carlos Moretti, Márcia Aparecida Gomes Ruggiero / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-26T18:03:59Z (GMT). No. of bitstreams: 1 Caetano_Mateus_M.pdf: 1249293 bytes, checksum: f8adb755363291250261872ea756f58c (MD5) Previous issue date: 2015 / Resumo: Técnicas para solucionar problemas de classificação têm aplicações em diversas áreas, como concessão de crédito, reconhecimento de imagens, detecção de SPAM, entre outras. É uma área de intensa pesquisa, para a qual diversos métodos foram e continuam sendo desenvolvidos. Dado que não há um método que apresente o melhor desempenho para qualquer tipo de aplicação, diferentes métodos precisam ser comparados para que possamos encontrar o melhor ajuste para cada aplicação em particular. Neste trabalho estudamos seis diferentes métodos aplicados em problemas de classificação supervisionada (onde há uma resposta conhecida para o treinamento do modelo): Regressão Logística, Árvore de Decisão, Naive Bayes, KNN (k-Nearest Neighbors), Redes Neurais e Support Vector Machine. Aplicamos os métodos em três conjuntos de dados referentes à problemas de concessão de crédito e seleção de clientes para campanha de marketing bancário. Realizamos o pré-processamento dos dados para lidar com observações faltantes e classes desbalanceadas. Utilizamos técnicas de particionamento do conjunto de dados e diversas métricas, como acurácia, F1 e curva ROC, com o objetivo de avaliar os desempenhos dos métodos/técnicas. Comparamos, para cada problema, o desempenho dos diferentes métodos considerando as métricas selecionadas. Os resultados obtidos pelos melhores modelos de cada aplicação foram compatíveis com outros estudos que utilizaram os mesmos bancos de dados / Abstract: Techniques for classification problems have applications on many areas, such as credit risk evaluation, image recognition, SPAM detection, among others. It is an area of intense research, for which many methods were and continue to be developed. Given that there is not a method whose performance is better across any type of problems, different methods need to be compared in order to select the one that provides the best adjustment for each application in particular. In this work, we studied six different methods applied to supervised classification problems (when there is a known response for the model training): Logistic Regression, Decision Tree, Naive Bayes, KNN (k-Nearest Neighbors), Neural Networks and Support Vector Machine. We applied these methods on three data sets related to credit evaluation and customer selection for a banking marketing campaign. We made the data pre-processing to cope with missing data and unbalanced classes. We used data partitioning techniques and several metrics, as accuracy, F1 and ROC curve, in order to evaluate the methods/techniques performances. We compared, for each problem, the performances of the different methods using the selected metrics. The results obtained for the best models on each application were comparable to other studies that have used the same data sources / Mestrado / Matematica Aplicada / Mestra em Matemática Aplicada