PolieDRO é um novo framework com aplicações tanto no âmbito preditivo quanto prescritivo. Ela aproveita o poder e a flexibilidade da Otimização Robusta a Distribuições (DRO) orientada por dados para evitar a necessidade de hiperparâmetros de regularização, ao mesmo tempo em que extrai estrutura dos dados subjacentes. No âmbito preditivo, a literatura recente mostra que métodos tradicionais de aprendizado de máquina, como SVM e (square-root) LASSO, podem ser formulados como problemas de DRO baseados em métricas de distância de Wasserstein. Inspirados por esses resultados, propomos um conjunto de ambiguidades sem hiperparâmetros que explora a estrutura poliédrica de invólucros convexos orientados por dados, gerando métodos de regressão e classificação computacionalmente viáveis para qualquer função de perda convexa. Resultados numéricos baseados em 100 bancos de dados do mundo real e um extenso experimento com dados gerados sinteticamente mostram que nossos métodos superam consistentemente seus equivalentes tradicionais. No âmbito prescritivo, desenvolvemos um modelo de otimização de portfólio no qual a abordagem DRO é empregada simultaneamente nos níveis de risco e retorno. Aplicando este modelo a dados financeiros reais que abrangem várias décadas, alcançamos um desempenho consistentemente superior em comparação com um benchmark tradicional.