A análise integrativa de dados clínicos e genômicos dos diferentes tipos câncer permite categorizar seus subtipo de moleculares, bem como auxiliar no tratamento adequado de acordo com suas implicações prognósticas e terapêuticas. No presente trabalho, analisamos dados de Câncer de próstata do projeto The Cancer Genome Atlas (TCGA), a partir de técnicas de visualização, análise de correlação e estratégias de redução de dimensionalidade, tais como Principal Component Analysis (PCA), T-Distributed Stochastic Neighbor Embedding (t-SNE) e Nonmetric Multidimensional Scaling (nMDS). Inicialmente, exploramos relações dos subtipos de câncer de próstata (ERG, ETV1/4, FLI1, SPOP, FOXA1, IDH1 e outros) via Kaplan-Meier e curvas de incidência cumulativa para eventos de recuperação e progressão da doença. Em seguida, através de técnicas de comitês de máquinas, realizamos estratégias de regressão para previsão de tempo de recuperação, assim como para classificar subtipos de câncer de próstata. Para realizar a predição de recuperação, utilizamos regressores de kernel Support Vector Machine (SVM), Random Forrest, modelos bayesianos de regressão e Gradient Boosted Machines (GBM). Para classificação, utilizamos Redes Neurais de mapas auto organizáveis de Kohonen (SOM), SVM e LogitBoost. A partir das classificações, realizamos agrupamentos para análise de expressão diferencial com R-Peridot, validando possíveis divisões de subtipos de câncer.