O agrupamento (clustering) é uma das principais técnicas de reconhecimento de padrões. A técnica consiste em organizar os elementos de um determinado conjunto em grupos (clusters) levando em consideração alguma métrica que permita determinar a semelhança em eles. Esses conjuntos de dados (data sets) frequentemente descrevem os elementos que os compõem por meio de atributos que podem assumir valores de diversos tipos, exigindo métodos eficientes na tarefa de detectar correlações entre dados de tipos complexos (ou mistos). No entanto, o processo de clustering não fornece informações que permitam inferir as características de cada cluster formado, ou seja, o resultado do processo de clustering não permite que os clusters tenham seu significado facilmente compreendido. A rotulação de dados visa identificar essas características e permitir então que se tenha a plena compreensão dos clusters resultantes. Neste trabalho propõe-se a utilização em conjunto de métodos de Aprendizagem de Máquina não supervisionada e supervisionada para as tarefas de agrupamento e rotulação de dados, respectivamente. Para tanto foram utilizados algoritmos reconhecidamente eficientes. Os algoritmos DAMICORE e sua nova versão, o DAMICORE-2 foram utilizados para forma clusters que posteriormente foram submetidos ao método de rotulação automática de clusters MRA, obtendo resultados satisfatórios nas definições dos clusters formados, frequentemente superando taxas de acerto de 90% nos experimentos realizados.