Uma Análise Híbrida para Detecção de Anomalias da Mama Usando Séries Temporais de Temperatura O câncer de mama é o segundo tipo de câncer mais comum no mundo. O diagnóstico e o tratamento em estágios iniciais aumentam as chances de cura da paciente. A temperatura de tecidos cancerosos é geralmente mais alta do que a de tecidos vizinhos saudáveis, tornando a termografia uma opção a ser considerada em estratégias de rastreamento deste tipo de câncer. Esta tese propõe uma metodologia híbrida de análise da Termografia Infravermelha Dinâmica com o objetivo de detectar anomalias da mama, entre elas o câncer, utilizando técnicas de aprendizagem de máquina não supervisionada e supervisionada, o que caracteriza a metodologia como híbrida. Para alcançar esse objetivo, um protocolo de execução Termografia Infravermelha Dinâmica foi estabelecido. A sequência de termogramas capturada de cada paciente, executando o protocolo estabelecido, é processada e analisada por várias técnicas. Primeiramente, a região das mamas é segmentada e os termogramas da sequência são registrados. Então, séries temporais de temperatura são construídas e o algoritmo kmeans é aplicado sobre essas séries usando vários valores de k. Índices de validação de agrupamento são aplicados para avaliar os grupos formados para cada valor de k, gerando valores tratados como características na etapa de construção do modelo de classificação. Na fase de avaliação da metodologia, ferramentas de mineração de dados são usadas para resolver o problema de seleção de algoritmos e otimização de parâmetros em tarefas de classificação, mais conhecido como CASH (Combined Algorithm Selection and Hyperparameter Optimization Problem). Além dos algoritmos de classificação recomendados pelas ferramentas de mineração de dados, classificadores baseados em redes Bayesianas, redes neurais, máquina de vetores de suporte e árvore de decisão, foram testados na avaliação. Os resultados dos testes indicam que a metodologia proposta é capaz de detectar anomalias de mama, contribuindo para que o exame termográfico seja adotado em programas de rastreamento organizado de câncer de mama. Dentre os 39 algoritmos de classificação testados, K-Star e Bayes Net apresentaram acurácia de 100%. Além disso, foi obtida uma acurácia média de 95,71% entre os algoritmos de classificação: Bayes Net, Multi-Layer Perceptron, LibSVM e J48.