A classificação ou predição, consiste na aplicação de algoritmos específicos para produzir uma enumeração particular de padrões, ou seja, a classificação é o processo de gerar uma descrição, ou um modelo, para cada classe a partir de um conjunto de exemplos de dados. Os métodos adequados e mais utilizados para induzir estes modelos, ou classificadores, são as árvores de decisão e as regras de classificação. As regras e árvores de decisão são populares, principalmente, por sua simplicidade, flexibilidade e interpretabilidade. Entretanto, como a maioria dos algoritmos de indução particionam recursivamente os dados, o processamento pode tornar-se demorado, e a árvore construída pode ser muito grande e complexa, propensa ao overfitting dos dados, que ocorre quando o modelo aprende detalhadamente ao invés de generalizar. Este trabalho apresenta o algoritmo de um preditor de uma Random Forest, capaz de tornar o desempenho de uma Random Forest bem mais eficiente, utilizando uma linguagem mais atual, que utiliza o conceito de processamento paralelo com GPUs, CUDA. No presente trabalho, também serão apresentadas, com detalhes, as árvores e regras de decisão, com suas técnicas e dois algoritmos muito conhecidos em aprendizagem de máquina: Random Forest implementado em linguagem Fortran e C4.5 implementado em linguagem C. Finalizando, o algoritmo proposto(o preditor de uma Random Forest em CUDA mais eficiente que o apresentado em Fortran), a validação e aplicação dos mesmos.