Orientadores: Fernando Jose Von Zuben, Clodoaldo Aparecido de Moraes LimaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de ComputaçãoResumo: A capacidade de aproximação universal apresentada por redes neurais artificiais foi explorada nos últimos anos junto a problemas de classificação e regressão de dados, envolvendo técnicas de treinamento supervisionado. No entanto, as redes neurais resultantes podem produzir queda de desempenho frente a amostras de teste. Esta é a principal motivação para o emprego de comitês de máquinas, na forma de um ensemble ou uma mistura de especialistas. Um ensemble toma propostas de solução completas para um problema e se ocupa em selecionar e combinar essas propostas na obtenção de uma única resposta. Já numa mistura de especialistas, cada especialista é responsável por parte do problema e os especialistas, assim como o módulo que decide qual especialista irá atuar em cada caso, são sintetizados simultaneamente. A aplicação de comitês de máquinas em predição de séries temporais indica que esta estratégia pode conduzir a ganhos de desempenho, quando comparado ao uso de um único preditor e considerando vários casos de estudo. Ainda no contexto de predição, foram investigadas duas técnicas para seleção de variáveis, além de ser avaliado o desempenho de duas propostas de partição da série temporal em conjuntos de treinamento, validação e teste. Os resultados de teste de significância do ganho de desempenho permitem apontar uma técnica de seleção e uma proposta de partição como as mais indicadasAbstract: The universal approximation capability presented by artificial neural networks has been explored in recent years to solve classification and regression problems, using the supervised learning framework. However, the resulting neural networks may present degradation of performance when the test dataset is considered. This is the main motivation for the use of committee machines, in the form of an ensemble or a mixture of experts. An ensemble takes full-solution proposals and tries to select and combine them toward a single response. In the realm of a mixture of experts, each expert is devoted to a parcel of the original problem, and the experts, together with the module that allocates the individual role for each expert, are synthesized simultaneously. The application of committee machines to time series prediction indicates that these machine learning strategies can promote improvement in performance, when compared to the use of a single predictor and taking several case studies. Still in the context of prediction, two techniques for variable selection have been investigated, and two proposals for the partition of the time series in training, validation, and test datasets have been compared. The results in terms of test of significance of the gain in performance clearly indicate the superiority of one of the selection techniques and one of the partition proposalsMestradoEngenharia de ComputaçãoMestre em Engenharia Elétrica