This work aims to analyze the convergence of the K-means method, an unsupervised learning algorithm that groups n data into k-clusters. In this sense, we presented some of the advantages and disadvantages of the K-means method, comparing the original clustering and the clustering done by the algorithm. Also, we presented the application of the algorithm in two data sets: breast cancer and diabetes, analyzing the clustering done by K-means as well as the patterns and regularities present in the clusters. In this way, we seek to present an introductory study of Machine Learning theory, which seeks to make machines perform tasks without being instructed all the time, starting only from some initial instructions. Specifically, we seek to understand some of its definitions and characteristics that will allow identifying the type of learning studied.Este trabalho tem como objetivo analisar a convergência do método K-means, um algoritmo de aprendizado não supervisionado que agrupa dados em k-clusters. Neste sentido, apresentamos algumas das vantagens e desvantagens do método K-means, comparando o agrupamento original e a cauterização feita pelo algoritmo. Também, apresentamos a aplicação do algoritmo em dois conjuntos de dados: o câncer de mama e diabetes, analisando a cauterização feita pelo K means assim como os padrões e regularidades presentes nos ˜ clusters. Dessa forma, buscamos apresentar um estudo introdutório da teoria do Aprendizado de Maquina, ´ que busca fazer com que as maquinas realizem tarefas sem que sejam instruídas o tempo todo, partindo apenas de algumas instruções iniciais. Especificamente, procuramos compreender ˜ algumas de suas definições e características que permitirão identificar o tipo de aprendizado ˜ estudado.