Ces dernières années ont vu une croissance rapide de la quantité de données stockées par l’humanité. De nombreux domaines d’activité ont bénéficié de cette croissance en exploitant et en analysant ces nouvelles masses d’informations. Ces nouvelles activités se sont traduites par une augmentation du besoin en capacité d’analyse et de traitement. Malheureusement, l’analyse de données reste une activité ardue et opaque, qui nécessite souvent l’intervention d’outils spécialisés et d’experts formés dans leur utilisation. Or, un utilisateur potentiel de l’analyse de données n’a pas forcément les moyens de s’offrir de tels services, ni le temps de se former complètement à l’analyse. Il apparaît donc que des outils d’analyse de données plus accessibles pour un public plus large seraient bénéfiques à de nombreuses personnes tels que des acteurs de terrain (biologistes, astronomes...). De cette constatation, découle un verrou principal qu’il nous faut adresser : Comment pouvons-nous aider un utilisateur à créer son propre modèle d’analyse de données, bien qu’il ne soit pas expert dans ce domaine ? En analysant les manques de l’état de l’art et ce qui a déjà été fait pour adresser ce verrou, nous le divisons en deux sous-verrous plus précis et davantage centrés sur l’apprentissage automatique : Comment pouvons-nous recommander efficacement une chaîne de traitement d’apprentissage automatique à un tel utilisateur ? Puis Comment pouvons- nous aider un tel utilisateur à comprendre et analyser un modèle d’analyse de données ?. L’état de l’art nous apporte en partie des solutions à ces verrous. D’abord, en rem- plaçant le besoin de décision humaine par l’automatisation des processus d’analyse, notamment dans la création de modèles d’apprentissage automatique. Ensuite, par des outils de visualisation présentant les données et leurs caractéristiques de manière à les rendre plus accessibles pour un humain. Le problème principal de ces solutions est qu’elles sont souvent conçues pour assister des experts en analyse de données et ne sont donc pas acces- sibles à des utilisateurs non-experts. Pourtant, les connaissances de terrain que possède un utilisateur qui a récolté les données utilisées (par exemple un biologiste) peuvent se révéler très utiles lors du processus d’analyse. Afin de mettre à profit ces connaissances de terrain, nous proposons donc des solutions d’aide à l’analyse de données qui mettent à profit ce que l’utilisateur connaît. Tout d’abord, nous décrivons dans ce mémoire de thèse notre système de recommandation de chaîne de traitements d’analyse de données. Celui-ci tient compte des préférences de l’utilisateur quant au type de performances qu’il désire obtenir pour son modèle final et est basé sur les méthodes éprouvées de filtrage collaboratif, qui reposent sur la comparaison du problème de l’utilisateur à des problèmes passés. Ceci nous permet de garder l’utilisateur impliqué dans le processus de création du modèle. Nous proposons également une méthode permettant de décrire comment un modèle prédictif utilise les attributs des données qui lui sont fournies pour produire une prédiction précise. Cette méthode, appelée méthode d’explication de prédiction additive, attribue un poids à chaque attribut du jeu de données. Ce poids représente l’importance de l’attribut dans la prédiction du modèle. Ainsi, nous utilisons les connaissances qu’a l’utilisateur sur ses données pour lui expliquer comment fonctionne son modèle final. Cette méthode surpasse l’état de l’art en conservant une bonne précision, sans pour autant souffrir d’un temps de calcul trop long. Enfin, nous combinons ces deux méthodes pour créer un cadre plus global d’aide à l’analyse de données. En utilisant nos explications de prédictions, nous permettons à l’utilisateur de juger de l’intérêt des modèles qui lui sont recommandés. En comprenant comment chaque modèle recommandé utilise les données qui lui sont fournies, il peut utiliser ses connaissances de terrain pour les évaluer et prendre des décisions informées quant à la construction de son modèle final. De plus, ces explications sont aussi utilisées pour permettre à l’utilisateur d’explorer plus intuitivement de nouvelles instances de ses données à partir des prédictions de son modèle final. Si nos propositions apportent des solutions aux verrous de cette thèse, il reste cependant de nombreux aspects à explorer. Par exemple la dimension "bac à sable" du cadre général peut être davantage développée par une personnalisation plus profonde de la chaîne de traitements menant au modèle final : choisir les prétraitements sur les données, paramétrer le modèle en profondeur, mettre en place une boucle d’apprentissage... De même, de nom- breuses propositions de l’état de l’art visent à assister à l’analyse de données par la visualisation et l’exploration des données de l’utilisateur. Ces solutions pourraient être améliorées par l’ajout d’explications de prédiction qui, misent en regard avec ces informations font émerger une nouvelle perspective sur ces données. En utilisant l’explication de prédiction de manière intelligente, il devient possible pour un non-expert d’effectuer de nombreuses tâches d’analyse en se reposant sur ses connaissances de terrain plutôt qu’une formation en analyse de données.