Nos dias atuais, há uma grande quantidade de dados armazenados em bases de dados reais, que continua a crescer rapidamente. Assim, existe a necessidade de extrair conhecimento da informação contida nesses dados. Esse problema é típico da área de Mineração de Dados, na qual é frequentemente utilizado Aprendizado de Máquina para a extração de conhecimento. Entretanto, os algoritmos de aprendizado geralmente realizam um tipo de busca local no espaço de soluções (hipóteses) para encontrar uma solução para o problema, encontrando assim soluções ótimas locais. Além disso, esses algoritmos avaliam a hipótese incompleta a cada iteração até chegar na hipótese final. Para tentar resolver esses problemas, pode-se utilizar Algoritmos Evolutivos (AEs), os quais geralmente realizam uma busca mais global no espaço de hipóteses e, tipicamente, avaliam hipóteses (soluções) completas a cada iteração para chegar à hipótese (solução) final. Também, em problemas que envolvem grandes bases de dados, pode-se retirar amostras dessas bases, induzir classificadores dessas amostras e evoluir esses classificadores utilizando AEs. O objetivo deste trabalho é propor e descrever o projeto de um sistema computacional, denominado GAERE, que implementa Algoritmos Genéticos, um sub-paradigma de AEs, para evoluir hipóteses (classificadores) simbólicas em uma hipótese final, única, preferencialmente melhor que as hipóteses iniciais. O foco deste trabalho está em evoluir classificadores simbólicos, que podem ser expressos na forma de regras de conhecimento, para que o classificador final possa explicar ao usuário a classificação atribuída a um novo exemplo; essa capacidade de explicação é de fundamental importância em muitos domínios de conhecimento, tais como medicina.