The treatment of large data streams in the presence of concept drifts is one of the main challenges in the fields of machine learning and data mining. This dissertation presents two families of ensemble algorithms designed to quickly adapt to concept drifts, both abrupt and gradual. The families Fast Stacking of Ensembles boosting the Old (FASEO) and Fast Stacking of Ensembles boosting the Best (FASEB) are adaptations of the Fast Adaptive Stacking of Ensembles (FASE) algorithm, designed to improve run-time and memory requirements, without presenting a significant decrease in terms of accuracy when compared to the original FASE. In order to achieve a more efficient model, adjustments were made in the update strategy and voting procedure of the ensemble. To evaluate the proposals against state of the art methods, Naïve Bayes (NB) and Hoeffding Tree (HT) are used, as learners, to compare the performance of the algorithms on artificial and realworld data-sets. An extensive experimental investigation with a total of 70 experiments and application of Friedman and Nemenyi statistical tests showed the families FASEO and FASEB are more efficient than FASE with respect to execution time and memory in many scenarios, often also achieving better accuracy results.CAPESO tratamento de grandes fluxos de dados na presença de mudanças de conceito é um dos principais desafios nas áreas de aprendizado de máquina e mineração de dados. Essa dissertação apresenta duas famílias de algoritmos de combinação de classificadores projetados para se adaptar rapidamente a mudanças de conceitos, tanto abruptos quanto graduais. As famílias Fast Stacking of Ensembles boosting the Old (FASEO) e Fast Stacking of Ensembles boosting the Best (FASEB) são adaptações do algoritmo Fast Stacking of Ensembles (FASE), projetadas para melhorar seu tempo de execução e consumo de memória, sem apresentar uma diminuição significativa de desempenho em termos de acurácia em comparação com o algoritmo original. Para obter um modelo mais eficiente, foram feitos ajustes na estratégia de atualização e no processo de votação de FASE. Para avaliar as propostas em relação ao estado da arte, usamos o Naive Bayes (NB) e o Hoeffding Tree (HT) como classificadores base para comparar o desempenho dos algoritmos em conjuntos de dados reais e sintéticos. Um avaliação experimental extensa, com um total 70 experimentos e emprego dos testes estatísticos de Friedman e Nemenyi, mostraram que as famílias FASEO e FASEB são mais eficientes que FASE com respeito a tempo de execução e memória em vários cenários, as vezes alcançando também melhores resultados na acurácia dos algoritmos.