Este trabalho propõe uma metodologia inovadora de seqüenciamento de lavra em minério de ferro a qual, além de considerar os parâmetros operacionais e econômicos das técnicas tradicionais, permite uma abordagem ambiental proativa para sequenciar a lavra de forma a antecipar a exaustão de parte da cava para disposição do estéril dentro da cava final. A metodologia proposta de seqüenciamento ordenado de lavra permite reduzir a área degradada a ser reabilitada na mina, com significativos benefícios associados à reducão do impacto ambiental, sem comprometer as metas de produtividade e competitividade econômica da lavra. A metodologia de seqüenciamento ordenado de lavra foi aplicada em um estudo de caso de projeto de lavra de minério de ferro, e os resultados alcançados comprovaram os benefícios esperados com a aplicação da metodologia proposta. / This paper presents a innovative approach for an environmentally pro-active mine scheduling process. The proposed methodology has been developed for identifying a mine sequence that meets all operational and economical constraints in iron-ore mining, and takes into account a pro-active approach for scheduling the mine according to environmental criteria. The proposed methodology allows a significant reduction of the environmental impact related to the mining operation without compromising productivity and the economical feasibility of the mine. The methodology has been applied to a case study of iron ore mining in Brazil, where the expected benefits have been proven.

A qualidade de dados é uma das principais preocupações em Aprendizado de Máquina - AM -cujos algoritmos são freqüentemente utilizados para extrair conhecimento durante a fase de Mineração de Dados - MD - da nova área de pesquisa chamada Descoberta de Conhecimento de Bancos de Dados. Uma vez que a maioria dos algoritmos de aprendizado induz conhecimento estritamente a partir de dados, a qualidade do conhecimento extraído é amplamente determinada pela qualidade dos dados de entrada. Diversos aspectos podem influenciar no desempenho de um sistema de aprendizado devido à qualidade dos dados. Em bases de dados reais, dois desses aspectos estão relacionados com (i) a presença de valores desconhecidos, os quais são tratados de uma forma bastante simplista por diversos algoritmos de AM, e; (ii) a diferença entre o número de exemplos, ou registros de um banco de dados, que pertencem a diferentes classes, uma vez que quando essa diferença é expressiva, sistemas de aprendizado podem ter dificuldades em aprender o conceito relacionado com a classe minoritária. O problema de tratamento de valores desconhecidos é de grande interesse prático e teórico. Em diversas aplicações é importante saber como proceder quando as informações disponíveis estão incompletas ou quando as fontes de informações se tornam indisponíveis. O tratamento de valores desconhecidos deve ser cuidadosamente planejado, caso contrário, distorções podem ser introduzidas no conhecimento induzido. Neste trabalho é proposta a utilização do algoritmo k-vizinhos mais próximos como método de imputação. Imputação é um termo que denota um procedimento que substitui os valores desconhecidos de um conjunto de dados por valores plausíveis. As análises conduzidas neste trabalho indicam que a imputação de valores desconhecidos com base no algoritmo k-vizinhos mais próximos pode superar o desempenho das estratégias internas utilizadas para tratar valores desconhecidos pelos sistemas C4.5 e CN2, bem como a imputação pela média ou moda, um método amplamente utilizado para tratar valores desconhecidos. O problema de aprender a partir de conjuntos de dados com classes desbalanceadas é de crucial importância, uma vez que esses conjuntos de dados podem ser encontrados em diversos domínios. Classes com distribuições desbalanceadas podem se constituir em um gargalo significante no desempenho obtido por sistemas de aprendizado que assumem uma distribuição balanceada das classes. Uma solução para o problema de aprendizado com distribuições desbalanceadas de classes é balancear artificialmente o conjunto de dados. Neste trabalho é avaliado o uso do método de seleção unilateral, o qual realiza uma remoção cuidadosa dos casos que pertencem à classe majoritária, mantendo os casos da classe minoritária. Essa remoção cuidadosa consiste em detectar e remover casos considerados menos confiáveis, por meio do uso de algumas heurísticas. Uma vez que não existe uma análise matemática capaz de predizer se o desempenho de um método é superior aos demais, análises experimentais possuem um papel importante na avaliação de sistema de aprendizado. Neste trabalho é proposto e implementado o ambiente computacional Discover Learning Environmnet - DLE - o qual é um em framework para desenvolver e avaliar novos métodos de pré-processamento de dados. O ambiente DLE é integrado ao projeto Discover, um projeto de pesquisa em desenvolvimento em nosso laboratório para planejamento e execução de experimentos relacionados com o uso de sistemas de aprendizado durante a fase de Mineração de dados do processo de KDD. / Data quality is a major concern in Machine Learning, which is frequently used to extract knowledge during the Data Mining phase of the relatively new research area called Knowledge Discovery from Databases - KDD. As most Machine Learning algorithms induce knowledge strictly from data, the quality of the knowledge extracted is largely determined by the quality of the underlying data. Several aspects may influence the performance of a learning system due to data quality. In real world databases, two of these aspects are related to (i) the presence of missing data, which is handled in a rather naive way by many Machine Learning algorithms; (ii) the difference between the number of examples, or database records, that belong to different classes since, when this difference is large, learning systems may have difficulties to learn the concept related to the minority class. The problem of missing data is of great practical and theoretical interest. In many applications it is important to know how to react if the available information is incomplete or if sources of information become unavailable. Missing data treatment should be carefully thought, otherwise bias might be introduced into the knowledge induced. In this work, we propose the use of the k-nearest neighbour algorithm as an imputation method. Imputation is a term that denotes a procedure that replaces the missing values in a data set by some plausible values. Our analysis indicates that missing data imputation based on the k-nearest neighbour algorithm can outperform the internal missing data treatment strategies used by C4.5 and CN2, and the mean or mode imputation, a widely used method for treating missing values. The problem of learning from imbalanced data sets is of crucial importance since it is encountered in a large number of domains. Imbalanced class distributions might cause a significant bottleneck in the performance obtained by standard learning methods, which assume a balanced distribution of the classes. One solution to the problem of learning with skewed class distributions is to artificially balance the data set. In this work we propose the use of the one-sided selection method, which performs a careful removal of cases belonging to the majority class while leaving untouched all cases from the minority class. Such careful removal consists of detecting and removing cases considered less reliable, using some heuristics. An experimental application confirmed the efficiency of the proposed method. As there is not a mathematical analysis able to predict whether the performance of a learning system is better than others, experimentation plays an important role for evaluating learning systems. In this work we propose and implement a computational environment, the Discover Learning Environment - DLE - which is a framework to develop and evaluate new data pre-processing methods. The DLE is integrated into the Discover project, a major research project under development in our laboratory for planning and execution of experiments related to the use of learning systems during the Data Mining phase of the KDD process.

Para o sucesso do processo de mineração de dados é importante que o conhecimento extraí?do seja compreensível e interessante para que o usuário final possa utilizá-lo em um sistema inteligente ou em processos de tomada de decisão. Um grande problema, porém, é identificado quando a tarefa de mineração de dados denominada associação é utilizada: a geração de um grande volume de regras. Taxonomias podem ser utilizadas para facilitar a análise e interpretação das regras de associação, uma vez que as mesmas provêm uma visão de como os itens podem ser hierarquicamente classificados. Em função dessa hierarquia é possível obter regras mais gerais que representem um conjunto de itens. Dentro desse contexto, neste trabalho é apresentada uma metodologia para construção semi-automática de taxonomias, que inclui procedimentos automáticos e interativos para a realização dessa tarefa. Essa combinação possibilita a utilização do conhecimento do especialista e também o auxilia na identificação de grupos. Entre os principais resultados deste trabalho, pode-se destacar a proposta e implementação do algoritmo SACT (Semi-automatic Construction of Taxonomies - Construção Semi-automática de Taxonomias), que provê a utilização da metodologia proposta. Para viabilizar a utilização do algoritmo, foi desenvolvido o módulo computacional RulEESACT. Com o objetivo de viabilizar e analisar a qualidade da metodologia proposta e do módulo desenvolvido, foi realizado um estudo de caso no qual foram construída taxonomias para duas bases de dados utilizando o RulEE-SACT. Uma das taxonomias foi analisada e validada por uma especialista do domínio. Posteriormente, as taxonomias e as bases de transações foram fornecidas para dois algoritmos de generalização de regras de associação a fim de analisar a aplicação das taxonomias geradas / I n the data mining process it is important that the extracted knowledge is understandable and interesting to the final user, so it can be used to support in the decision making. However, the data mining task named association has one problem: it generates a big volume of rules. Taxonomies can be used to facilitate the analysis and interpretation of association rules, because they provide an hierarchical vision of the items. This hierarchy enables the obtainment of more general rules, which represent a set of items. In this context, a methodology to semi-automatically construct taxonomies is proposed in this work. This methodology includes automatic and interactives procedures in order to construct the taxonomies, using the specialist?s knowledge and also assisting in the identification of groups. One of the main results of this work is the proposal and implementation of the SACT (Semi-automatic Construction of Taxonomies) algorithm, which provides the use of the proposed methodology. In order to facilitate the use of this algorithm, a computational module named RulEE-SACT was developed. Aiming to analyze the viability and quality of the proposed methodology and the developed module, a case study was done. In this case study, taxonomies of two databases were constructed using the RulEE-SACT. One of them was analyzed and validated by a domain specialist. Then the taxonomies and the databases were supplied to two algorithms which generalize association rules, aiming to analyze the use of the generated taxonomies

Há várias décadas, pesquisadores em ciências sociais buscam formas gráficas para expressar as relações humanas na sociedade. O advento do computador e, mais recentemente, da internet, possibilitou o surgimento de um campo que tem despertado a atenção de estudiosos das áreas de visualização de informação e de ciências sociais, o da visualização de redes sociais. Esse campo tem o potencial de revelar e explorar padrões que podem beneficiar um número muito grande de aplicações e indivíduos em áreas tais como comércio, segurança em geral, redes de conhecimento e pesquisa de mercado. Grande parte dos algoritmos de visualização de redes sociais são baseados em grafos, destacando relacionamentos entre indivíduos e grupos de indivíduos, mas dando pouca atenção aos seus demais atributos. Assim, este trabalho apresenta um conjunto de soluções para representar e explorar visualmente redes sociais levando em consideração tais atributos. A primeira solução faz uso de redes heterogêneas, onde tanto indivíduos quanto comunidades são representados no grafo; a segunda solução utiliza técnicas de visualização baseadas em projeção multidimensional, que promovem o posicionamento dos dados no plano de acordo com algum critério de similaridade baseado em atributo; e a última solução coordena múltiplas visões para focar rapidamente em regiões de interesse. Os resultados indicam que as soluções proveem um poder de representação e identificação de conceitos não facilmente detectados por formas convencionais de visualização e exploração de grafos, com indícios fornecidos através dos estudos de caso e da realização de avaliações com usuários. Este trabalho fornece um estudo das áreas de visualização em grafos para a análise de redes sociais bem como uma implementação das soluções de integração da visualização em redes com as projeções multidimensionais / For decades, social sciences researchers have searched for graphical forms to express human social relationships. The development of computer science and more recently of the Internet has given rise to a new field of research for visualization and social sciences professionals, that of social network visualization. This field can potentially offer new opportunities in reveal new patterns that can benefit a large number of applications and individuals in fields such as commerce, security, knowledge networks and marketing. A large part of social network visualization algorithms and systems relies on graph representations, highlighting relationships amongst individuals and groups of individuals, but mostly neglecting the other available attributes of individuals. Thus, this work presents a set of tools to represent and explore social networks visually, taking into consideration the attributes of the nodes. The first technique employs heterogeneous networks, where both individuals and communities are represented in the graph; the second solution uses visualization techniques based on multidimensional projection, which promote the placement of data in the plane according to some similarity criterion based on attribute; still another proposed technique coordinates multiple views in order to speed up focus in regions of interest in the data sets. The results indicate that the solutions promote high degree of representation power and that concept identification not easily obtained via other methods is possible; the evidence comes from case studies as well as a user evaluation. This work includes a study in the area of graph visualization for social network analysis as well as a system implementing the proposed solutions, that integrate network visualization and multidimensional projections to extract patterns from social networks

O uso de técnicas de mineração de dados tem produzido resultados importantes em diversas áreas, tais como bioinformática, atividades de transações bancárias, auditorias de computadores relacionados à segurança, tráfego de redes, análise de textos, imagens e avaliação da qualidade em processos de fabricação. Em medicina, métodos de mineração de dados têm se revelado muito eficazes na realização de diagnósticos automáticos, ajudando na tomada de decisões por equipes médicas. Além do uso de mineração de dados, dados médicos podem ser representados por redes complexas, de modo a incluir conexões entre seus elementos. Por exemplo, no caso do cérebro, regiões corticais podem representar vértices em um grafo e as conexões podem ser definidas através das atividades corticais. Com isso, pode-se comparar a estrutura do cérebro de sujeitos sadios com a de pacientes que apresentam doenças mentais de modo a definir métodos para diagnóstico e obter conhecimento sobre como a estrutura do cérebro está relacionada com alterações comportamentais e neurológicas. Nesse trabalho, estamos interessados em usar métodos de mineração de dados e redes complexas para classificar pacientes portadores de quatro diferentes tipos de doenças mentais, isto é, esquizofrenia, autismo, déficit de atenção/desordem de hiperatividade e paralisia progressiva nuclear. / A data mining and knowledge discovery is in a field of research, with applications in different areas such as bioinformatics, customer transaction activity, security related computer audits, network traffic, text analysis and quality evaluation in manufacturing. In medicine, data mining methods have proven very effective in performing automatic diagnostics, helping in making decisions by medical teams. In addition to the use of data mining, medical data can be represented by complex networks in order to include connections between its elements. For example, in the case of the brain, cortical regions can represent vertices in a graph and the connections can be defined through cortical activities. Thus, we can compare the brain structure of healthy patients with those of patients with mental disorder in order to define methods for diagnosis and to obtain knowledge about how the structure of the brain is related to behavioral and neurological changes. Here, we are interested in using data mining methods and complex networks to classify patients with four different types of mental desorders, that is, schizophrenia, autism, attention deficit / hyperactivity disorder, and progressive supranuclear paralysis.

A substituição de valores ausentes, também conhecida como imputação, é uma importante tarefa para a preparação dos dados em aplicações de mineração de dados. Este trabalho propõe e avalia um algoritmo para substituição de valores ausentes baseado em um algoritmo evolutivo para agrupamento de dados. Este algoritmo baseia-se na suposição de que grupos (previamente desconhecidos) de dados podem prover informações úteis para o processo de imputação. Para avaliar experimentalmente o algoritmo proposto, simulações de valores ausentes foram realizadas em seis bases de dados, para problemas de classificação, com a aplicação de dois mecanismos amplamente usados em experimentos controlados: MCAR e MAR. Os algoritmos de imputação têm sido tradicionalmente avaliados por algumas medidas de capacidade de predição. Entretanto, essas tradicionais medidas de avaliação não estimam a influência dos métodos de imputação na etapa final em tarefas de modelagem (e.g., em classificação). Este trabalho descreve resultados experimentais obtidos sob a perspectiva de predição e inserção de tendências (viés) em problemas de classificação. Os resultados de diferentes cenários nos quais o algoritmo proposto, apresenta em geral, desempenho semelhante a outros seis algoritmos de imputação reportados na literatura. Finalmente, as análises estatísticas reportadas sugerem que melhores resultados de predição não implicam necessariamente em menor viés na classificação / The substitution of missing values, also called imputation, is an important data preparation task for data mining applications. This work proposes and evaluates an algorithm for missing values imputation that is based on an evolutionary algorithm for clustering. This algorithm is based on the assumption that clusters of (partially unknown) data can provide useful information for the imputation process. In order to experimentally assess the proposed method, simulations of missing values were performed on six classification datasets, with two missingness mechanisms widely used in practice: MCAR and MAR. Imputation algorithms have been traditionally assessed by some measures of prediction capability. However, this traditionall approach does not allow inferring the influence of imputed values in the ultimate modeling tasks (e.g., in classification). This work describes the experimental results obtained from the prediction and insertion bias perspectives in classification problems. The results illustrate different scenarios in which the proposed algorithm performs similarly to other six imputation algorithms reported in the literature. Finally, statistical analyses suggest that best prediction results do not necessarily imply in less classification bias

A bibliometric study was carried out to identify the main innovations and shortcomings pointed out by scientific research on impact assessment (IA). Out of 1,547 articles published between 1990 and 2015 in two leading journals, IAPA and EIAR, 381 were reviewed for their contents related to new methodological approaches or proposals for improving practice. It was found that innovations and gaps are predominantly treated disregarding IA\'s theoretical basis. We suggest that IA core values shall always guide innovation. It is proposed that the theoretical boundaries of an IA System shall be previously stablished when discussing innovation. The information systematized through a bibliometric approach allowed to propose a framework that correlates IA theoretical foundations with innovation options in a vertical integration way. / Um estudo bibliométrico foi desenvolvido para identificar as principais inovações e lacunas apontadas pela pesquisa científica em avaliação de impactos (AI). Dos 1.547 artigos publicados entre 1990 e 2015 nos dois periódicos de maior relevância na área, o IAPA e o EIAR, 381 artigos tiveram seus conteúdos analisados em relação a novas abordagens metodológicas ou propostas para melhoria da prática. Verificou-se que as inovações e lacunas são tratadas predominantemente desconsiderando a base teórica de AI. Sugerimos que os valores fundamentais da avaliação de impactos devem sempre orientar a inovação. Propõe-se que as fronteiras teóricas de um Sistema AI sejam estabelecidas previamente ao se discutir a inovação. A informação sistematizada através de uma abordagem bibliométrica permitiu propor uma estrutura que correlaciona os fundamentos teóricos da avaliação de impactos com as opções de inovação.

Um programa de gerenciamento de riscos pode abordar simplesmente aspectos legais, previsto na Norma Regulamentadora nº 22 (BRASIL, 2016a), o que essencialmente exige a antecipação e identificação das condições perigosas, avaliação dos fatores de risco e registro dos dados levantados. Ou pode abordar a gestão dos riscos como parte inerente de seu negócio. A NBR ISO 31.000 (ABNT, 2009) recomenda um processo de gestão dos riscos, cuja identificação e classificação dos riscos, seja fundamentada por uma ferramenta de análise de riscos, adequada aos objetivos da organização e à natureza do risco que se quer analisar. Na presente dissertação foi utilizada a ferramenta de análise de riscos denominada Workplace Risk Assessment Control (WRAC). A WRAC é uma de análise de riscos semiquantitativa, desenvolvida para a indústria mineral, utilizada para mapear e classificar potenciais grandes riscos. No presente caso, a análise de riscos por meio da WRAC, visando reduzir os riscos de segurança em uma pedreira, integra o Programa de Gerenciamento de Riscos pretendido pela Pedreira, e tem como resultado prático a descrição de dezenove eventos indesejados, cuja classificação dos riscos de segurança resultou em quatro riscos toleráveis, oito riscos moderados, seis riscos significativos e um risco intolerável. O risco intolerável foi tratado e para cada risco moderado ou significativo foi estabelecido um plano de ação para tratamento dos riscos. A presente dissertação também apresenta três tabelas dos requisitos atendidos pela WRAC, em comparação com os requisitos do PGR da NR 22, da OSHAS 18.001 e da ABNT ISO 31.000. / A risk management program can treat of legal aspects of Regulatory Norm 22 (BRAZIL, 2016a), which essentially requires the anticipation and identification of hazardous conditions, assessment of risk factors and recording of the data collected. Or you can approach risk management as an inherent part of your business. ISO 31,000 (ABNT, 2009) recommends a process of risk management, whose identification and classification of risks is based on a risk analysis tool, appropriate to the objectives of the organization and the nature of the risk to be analyzed. In the present work was used the risk analysis tool called Workplace Risk Assessment Control (WRAC). WRAC is a semi-quantitative risk analysis, developed for the mineral industry, used to map and classify potential big risks. In the present case, the WRAC risk analysis, aimed at reducing the safety risks in a quarry, is part of the Risk Management Program intended by the quarry, and has as a practical result the description of nineteen unwanted events whose risk classification resulted in four tolerable risks, eight moderate risks, six significant risks and one intolerable risk. The intolerable risk was treated and for each moderate or significant risk was established an action plan for risk management. This dissertation also presents three tables of the requirements covered by WRAC, compared to the requirements of the PGR of NR 22, OSHAS 18.001 and ABNT ISO 31.000.

Métodos de estudo de estabilidade de taludes são diversificados e estão bastante desenvolvidos e consolidados na Geologia de Engenharia. Paralelamente, a aplicação de ferramentas de geoprocessamento tem se intensificado bastante em todos os campos de conhecimento técnico científico, demonstrando ser uma ferramenta de grande importância e auxiliando a tomada de decisão, sendo inclusive utilizado no estudo de escorregamentos e processos correlatos a instabilização de taludes. Dentro deste contexto, este trabalho objetivou desenvolver uma abordagem de estudo para caracterizar a estabilidade de taludes de mineração combinando técnicas e métodos usuais de investigação e análise geológico-geotécnica. A pesquisa foi aplicada nas minas de ferro do complexo Fazendão, localizadas no município de Catas Altas (MG) e são de propriedade da companhia VALE S/A. O trabalho está dividido essencialmente em duas etapas de estudo: primeiramente um foco semi-regional, seguido de um estudo de detalhe em uma mina em particular. Para a análise semi-regional foi utilizando Sistema de Informação Geográfica - SIG para geração de mapas temáticos, abrangendo todas as minas do complexo. Já no estudo de detalhe, foram realizados levantamentos sistemáticos em campo na mina de São Luís, sendo posteriormente realizado um levantamento específico de seções dentro da mina. A partir dos mapas temáticos foram identificadas as principais drenagens e bacias hidrográficas da área de estudo. Estes mapas juntamente com os mapas de declividade, curvatura, direção de vertente e mapa geológico, forneceram informações importantes sobre a região onde as minas estão inseridas, o que possibilita um melhor planejamento das intervenções que vierem a serem feitas. As análises por estereogramas indicaram várias situações de instabilidade frente às direções de fraturas e bandamento, com relação à direção e ângulo de mergulho de alguns taludes, sendo várias destas feições identificadas em campo. Por outro lado, a análise por equilíbrio limite apontam fatores de segurança muito altos, desde que não ocorra a influência do nível de água. Por fim, a abordagem utilizada foi bastante útil na caracterização da região. O estudo semi-regional em conjunto com uma análise de detalhe permitiu identificar feições que comprometem a segurança dentro da mina. A partir do resultado deste estudo, espera-se auxiliar a programação do avanço da mina de forma otimizar sua exploração, sem comprometer a segurança. / Methods of study of slope stability are diverse and are well developed and consolidated in Engineering Geology. In addition, the application of GIS tools has intensified greatly in all fields of scientific expertise, proven to be an important tool aiding in the decision making, including being used in the study of landslides and processes related to slope instability. Within this context, this study aimed to develop a approach to characterize the stability of slopes mining combining geoprocessing techniques and the usual methods of investigation and analysis of geological-geotechnical. The research was applied to the iron mines of Fazendão complex, located in the municipality of Catas Altas (MG) and are the property of the company VALE S/A. The research is divided into two main stages of the study: first a semi-regional focus followed by a study in detail of a particular mine. For the semi-regional analysis has been using GIS for thematic maps, covering all the mines the complex. In the study of detail, systematic surveys were conducted in the field for geological and geotechnical parameters in the mine of São Luís, and later conducted a survey within specific sections of the mine. From the thematic maps were identified the major drainage and hydrographic basins of the study area. Those maps, analyzed together with the slope map, curvature, direction of slope and geologic map provided important information about the area which the mines are located, allowing better planning of interventions that were to be made. The stereograms analyzes indicated various situations of instability depending of the fractures and banding directions, according to direction and dip angle of some slopes, some of it identified in the field. Moreover, the limit equilibrium analysis safety factors showed very high, since there was no influence of the water levels. Finally, the used approach was useful in characterizing the region. The semi-regional study combined with a detail analysis allowed to identify features that compromise the safety inside the mine. From the results of this study is expected to help advance the schedule of the mine in order to optimize their operations, without compromising security.

Em Aprendizado de Máquina e Mineração de Dados, muitos dos trabalhos de classificação reportados na literatura envolvem classificação plana (flat classification), em que cada exemplo é associado a uma dentre um conjunto finito (e normalmente pequeno) de classes, todas em um mesmo nível. Entretanto, existem problemas de classificação mais complexos em que as classes a serem preditas podem ser dispostas em uma estrutura hierárquica. Para esses problemas, a utilização de técnicas e conceitos de classificação hierárquica tem se mostrado útil. Uma das linhas de pesquisa com grande potencial para a utilização de tais técnicas é a Bioinformática. Dessa forma, esta dissertação apresenta um estudo envolvendo técnicas de classificação hierárquica aplicadas à predição de classes funcionais de proteínas. No total foram investigados doze algoritmos hierárquicos diferentes, sendo onze deles representantes da abordagem Top-Down, que foi o enfoque da investigação realizada. O outro algoritmo investigado foi o HC4.5, um algoritmo baseado na abordagem Big- Bang. Parte dos algoritmos estudados foram desenvolvidos com base em uma variação da abordagem Top-Down, denominada de Top-Down Ensemble, que foi proposta neste estudo. Alguns do algoritmos baseados nessa nova abordagem apresentaram resultados promissores, superando os resultados dos demais algoritmos. Para avaliação dos resultados, foi utilizada uma medida específica para problemas hierárquicos, denominada taxa de acerto dependente da profundidade. Além dessa, outras três medidas de avaliação foram utilizadas, de modo a comparar os resultados reportados por diferentes medidas / In Machine Learning and Data Mining, most of the research in classification reported in the literature involve flat classification, where each example is assigned to one class out of a finite (and usually small) set of flat classes. Nevertheless, there are more complex classification problems in which the classes to be predicted can be disposed in a hierarchy. In this context, the use of hierarchical classification techniques and concepts have been shown to be useful. One research with great potential is the application of hierarchical classification techniques to Bioinformatics problems. Therefore, this MSc thesis presents a study involving hierarchical classification techniques applied to the prediction of functional classes of proteins. Twelve different algorithms were investigated - eleven of them based on the Top-Down approach, which was the focus of this study. The other investigated algorithm was HC4.5, an algorithm based on the Big-Bang approach. Part of these algorithms are based on a variation of the Top-Down approach, named Top-Down Ensembles, proposed in this study. Some of the algorithms based on this new approach presented promising results, which were better than the results presented by other algorithms. A specific evaluation measure for hierarchical classification, named depth-dependent accuracy, was used to evaluate the classification models. Besides, other three evaluation measures were used in order to compare the results reported by them