L’analyse de données est un terme très générique et touche une variété d’analyses possibles, incluant, par exemple, l’analyse décisionnelle (BI) ou l’analyse statistique, dont fait partie l’analyse prédictive. Dans le cadre de l’analyse prédictive, la construction et l’usage de modèles prédictifs, réalisés à l’aide de techniques d’intelligence artificielle, ne sont pas sans poser de multiples problèmes, notamment liés à la compréhension des résultats produits par le modèle, connus sous le nom d’effet boîte noire. En effet, l’apprentissage supervisé ne permet pas, par lui-même, de comprendre aisément les raisons influençant les prédictions faites pour des instances d’un jeu de données. e besoin d’une aide à l’analyse de données est alors un enjeu important et particulière- ment criant dans le cadre d’une analyse prédictive réalisée via des modèles d’apprentissage. Notamment, la prise en compte de l’utilisateur dans cette aide à l’analyse est primordiale. L’aspect « human-in-the-loop » est en effet trop souvent négligé dans un environnement où l’aide à la construction de modèles prédictifs fait souvent la part belle au tout automatique, en particulier par les approches d’apprentissage machine automatique (« AutoML »). Ces approches accentuent alors l’effet boîte noire où l’utilisateur ne maîtrise plus la construction du modèle et sa compréhension. L’ambition soutenue dans cette Habilitation à Diriger des Recherches est alors de questionner la problématique de savoir comment offrir à un utilisateur les moyens d’une analyse prédictive intelligible ? Pour cela, nos travaux traitent trois thématiques générales de recherche, dans le contexte de l’apprentissage supervisé : (1) l’aide à l’analyse prédictive basée sur l’apprentissage machine ("Machine Learning", ML), (2) les systèmes de recommandation de modèles prédictifs, et (3) l’explicabilité des modèles prédictifs ("eXplainable Artificial Intelligence", XAI). En ce sens, les contributions réalisées durant ces années portent principalement sur : 1. Conception de systèmes de recommandation de modèles ML et de modèles XAI. 2. Définition d’une nouvelle méthode XAI locale attributive coalitionnelle. 3. Définition d’une approche méthodologique de l’exploration et l’analyse de données guidées par l’XAI Ces travaux se sont en particulier déroulés dans un contexte multidisciplinaire, avec le labora- toire RESTORE (biologie/santé) spécialisé dans les gérosciences. Cette collaboration a mené à plusieurs co-encadrements de thèses traitant de l’analyse du vieillissement, et de travaux menant à une meilleure compréhension des phénomènes sous-jacents.