Le machine learning est utilisé , entre autres, dans le milieu sportif, par exemple dans le football pour prédire les scores des différentes rencontres. Le modèle de régression de Poisson est beaucoup utilisé pour ce genre de prédiction car le score ou la variable cible suit une distribution probabiliste : la loi de Poisson. Il est courant de combiner des techniques distinctes pour faire des prédictions si cette combinaison fournit le meilleur modèle car on est relativement sûr que notre modèle est le bon qu’en fonction de ce qu’il nous renvoie lorsqu’il est entraîné, testé sur les données qui lui sont soumis. [GHL+ 21] mentionne que les arbres de forêts décisionnels, et l’algorithme de gradient boosting " Xgboost" sont des techniques qui ont été utilisé à côté du modèle de régression de Poisson sur les données des rencontres des coupes d’EURO 2004 à 2016 (une coupe d’EURO a lieu tous les 4 ans) afin de prédire les scores des rencontres de l’EURO 2020. D’après le site wikipedia.fr (en Avril 2022) , le machine learning (ou apprentissage automatique en Anglais) est un champ d’étude de l’intelligence artificielle qui se fonde sur des approches ma- thématiques et statistiques pour donner aux ordinateurs la capacité d’« apprendre » à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l’analyse, l’optimisation, le développement et l’implémentation de telles méthodes. Dans ce mémoire, nous parlerons de deux méthodes : régression de Poisson, et forêts aléatoires. Nous donnerons les notions théoriques de ces méthodes et nous utiliserons le language Python pour implémenter ces méthodes. Éventuellement, nous comparerons les résultats obtenus par nos propres programmes écrits sur Python avec les résultats des bibliothèques classiques de la régression de poisson ,et des forêts aléatoires : sklearn.linear_model.PoissonRegressor, sklearn.ensemble.RandomForestClassifier, sklearn.ensemble.RandomForestRegressor, Ces trois bibliothèques sont intégrés dans le module sklearn (scikit-learn). Ce dernier s’est imposé comme étant le module de référence sur Python concernant le machine learning. Nous nous donnons le plan suivant : - 1ère partie : Apprentissage supervisé : cadre théorique ; - 2ème partie : Apprentissage supervisé : programmation sur Python ; - 3ème partie (en fonction du temps) : Apprentissage supervisé : Étude sur données réelles. Dans la 1ère partie, il sera l’objet de l’étude de la régression de poisson, et des forêts aléatoires. Dans la seconde partie, les programmations de ces méthodes. Enfin, dans la dernière partie, une application sur un jeux des données réelles classique. Les jeux des données sur les matchs de l’EURO 2004 à 2016 seront eux l’objet de la suite de ce mémoire, en master 2 dans le cadre d’un projet long par exemple.