As Redes Bayesianas (RBs) podem ser consideradas como uma forma de representacao do conhecimento baseada no raciocinio probabilistico e possuem caracteristicas que as tornam muito adequadas para tarefas de mineracao de dados. O aprendizado automatico de RBs e Classificadores Bayesianos (CBs) busca identificar uma RB que represente o relacionamento entre as variaveis de um determinado conjunto de dados, mas sendo um problema NP-completo o espaco de busca se torna muito amplo na maioria das aplicacoes. Assim, muitos algoritmos exploram formas de reducao do espaco de busca para tornar o processo de aprendizado computacionalmente viavel. Este livro apresenta um metodo, o MarkovPC, de aprendizado de CBs que visa exatamente reduzir o espaco de busca durante a inducao de um classificador a partir de dados. Para tanto, toma-se como base algoritmos de aprendizado de RB da classe de Independencia Condicional e o conceito de Markov Blanket. Resultados mostram que o MarkovPC e capaz de reduzir o esforco computacional do processo de inducao de um classificador Bayesiano e mantendo a qualidade do classificador induzido em termos de taxa de classificacao correta."