Neutrinos, matéria escura, e partículas neutras de longas vidas médias atravessam os detetores despercebidos, carregando informação importante sobre as partículas pais e fontes de interação necessárias para reconstruir variáveis chaves como picos de ressonância em distribuições de massa invariante. Nesta dissertação, mostramos que um algoritmo de regressão de $k$-vizinhos mais próximos combinado com um classificador de rede neural profunda, um $k$NNNN, conseguem recuperar com precisão as distribuições de massa de pares $W^+W^-$ totalmente leptônicos de um novo bóson de Higgs pesado além dos seus backgrounds do modelo padrão a partir de informações observáveis disponíveis em detetores. Também aplicamos o $k$NNNN para o decaimento de um par de sléptons em léptons mais neutralinos, um candidato a matéria escura, incluindo os backgrounds do modelo padrão. O resultado da regressão pode ser utilizado para treinar classificadores ainda mais poderosos em separar sinais e backgrounds no canal totalmente leptônico e garantir a seleção de bósons de Higgs e sléptons com significância estatística melhorada. O método assume conhecimento prévio da classe dos eventos e parâmetros do modelo sendo, assim, adequado para estudos pós-descoberta.

Neutrinos, dark matter, and long-lived neutral particles traverse the particle detectors unnoticed, carrying away information about their parent particles and interaction sources needed to reconstruct key variables like resonance peaks in invariant mass distributions. In this dissertation, we show that a $k$-nearest neighbors regressor algorithm combined with deep neural network classifiers, a $k$NNNN, is able to accurately recover distributions of the fully leptonic $W^+W^-$ mass of a new heavy Higgs boson and its Standard Model backgrounds from the observable detector level information at disposal. We also applied the $k$NNNN to the decay of slepton pairs in lepton plus neutralino, a candidate for dark matter, along with its Standard Model backgrounds. The output of the regressor can be used to train even stronger classifiers to separate signals and backgrounds in the fully leptonic case and guarantee the selection of on-mass-shell Higgs bosons and sleptons with enhanced statistical significance. The method assumes previous knowledge of the event classes and model parameters, thus suitable for post-discovery studies.