O aumento da quantidade de dispositivos sem fio gerou também o aumento da densidade da faixa de frequências usadas, assim aumentando a probabilidade de interferência entre eles e por ruídos convencionais. Em virtude da necessidade de minimizar ou reduzir estes efeitos, é estudado algoritmos de aprendizado para realização de inferência estatística, desempenhando função de monitoramento e predição de sistemas complexos. Este projeto é focado no estudo acerca de algoritmos de aprendizado adaptativo capaz de realizar inferência com a finalidade de evitar o efeito de interferência entre os dispositivos e minimizar possíveis erros, em especial utilizando algoritmos baseados no gradiente estocástico e no gradiente próximo em um cenário de aprendizado distribuído. Esse trabalho foi particionado em três etapas: estudo e simulação de redes distribuídas; teste em cenário real: medição de temperatura; e elaboração do algoritmo próximo e estudo de desempenho no cenário federativo.