Les méthodes de machine learning ont suscité un véritable engouement dans la communauté de recherche opérationnelle, et elles se révèlent très efficaces sur des problèmes d'optimisation basée sur l'analyse prédictive de données. Ces méthodes d'apprentissages trouvent leur intérêt dans le fait de mieux capturer certaines tendances observables au travers de jeux de données, offrant de nouvelles perspectives de résolution lorsqu'elles sont appliquées à des problèmes d'optimisation. Un exemple concret est l'utilisation de méthodes basées sur de la régression pour approcher un paramètre incertain tel que des temps de trajet d'un problème de transport ou la demande d'un problème de planification. D'autres approches consistent en l'utilisation de machine learning pour aiguiller des solveurs de programmation mathématique dans leur prise de décisions, préservant ainsi un temps de calcul précieux lors de la résolution d'un problème. La branche de l'apprentissage machine qui nous intéresse ici concerne la traduction de ces méthodes de machine learning en modèles mathématiques, afin de remplacer des contraintes mathématiques difficiles à modéliser. Si l'approche peut paraître triviale pour régression linéaires classique, elle nécessite davantage d'effort pour traduire d'autres modèles basée sur des arbres de décision ou des réseaux de neurones, et l'utilisation de ces méthodes une fois traduit a suscité un intérêt grandissant dans la communauté de recherche opérationnelle ces dernières années. Dans cette présentation, nous expliquons comment intégrer ces modèles d'apprentissage machine dans un programme linéaire en nombres entiers, et nous présentons les avantages de ce type d'approche pour l'optimisation. Pour illustrer nos propos, nous nous pencherons sur un problème de planification et ordonnancement.