Nesta dissertação apresentamos duas vertentes da pesquisa em aprendizagem computacional, uma formal e outra empírica, destacando o modelo de análise 'Provavelmente Aproximadamente Correto' (PAC) e o algoritmo REAL de indução de árvores de decisãosobre atributos de domínio real. A seguir, levantamos a curva de aprendizagem do algoritmo REAL sobre uma base de dados padrão para testes de algoritmos de aprendizagem desta natureza e comparamos esta curva com as previsões teóricas dadas pelomodelo PAC e pelo modelo de Convergência Uniforme. Fica evidente a grande lacuna entre estes resultados e então propomos algumas possibilidades de aprofundamento deste análise

In this dissertation we present two frameworks of the machine learning research, one formal and the other practical, emphasizing the analysis model 'Probably Approximately Correct' (PAC) and the algorithm REAL of induction of decision trees onreal-valued attributes. We then build the learning curve of the algorithm REAL on a standard database for benchmarking learning algorithms of this nature and compare this curve and the theoretical predictions given by the PAC model and by theUniform Convergence model. The gap between these claar and then we propose some possibilities for a deeper approach