Cet ouvrage présente les fondements scientifiques de la théorie de l'apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l'apprentissage semi-supervisé et de l'ordonnancement,à un niveau accessible auxétudiants de master et auxélèves ingénieurs. La premièreédition, connue sous le nom Apprentissage machine, fut traduite en chinois par leséditions iTuring. Dans cette deuxièmeédition, un nouveau chapitre est dédié au Deep Learning, sur les réseaux de neu-rones artificiels, et nous avons réorganisé les autres chapitres pour un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Vous trouverezégalement dans cetteédition quelques programmes des algorithmes classiques,écrits en langages Python et C (langagesà la fois simples et populaires), età destination des lecteurs qui souhaitent connaître le fonctionnement de ces modèles désignés parfois comme des boites noires. Ces programmes libres (GPLv3) essentiels au développement de solutions big data sont déposés progressivement sur ce gitlab : https://gricad-gitlab.univ-grenoble-alpes.fr/aminima/machine-learning-tools A qui s'adresse ce livre ? • Auxélèves ingénieurs,étudiants de master et doctorants en mathé-matiques appliquées, algorithmique, recherche opérationnelle, ges-tion de production, aideà la décision. • Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, economistes et décideurs ayantà résoudre des problèmes de classification , de partitionnement et d'ordonnancementà largeéchelle.