L'apprentissage statistique propose un ensemble de techniques capables de construire des mod les partir d'observations pass es. Ces techniques ont montr leur capacit traiter des volum tries importantes. Cependant, de nouvelles applications g n rent de plus en plus de donn es visibles sous la forme d'un flux et qui doivent tre trait es s quentiellement. Parmi ces applications, on citera: la publicit en-ligne, la mod lisation des utilisateurs au sein d'un r seau social, le web mining. L'un des d fis techniques est de concevoir des algorithmes permettant l'apprentissage avec les nouvelles contraintes impos es par les flux de donn es. Nous proposons d'aborder ce probl me l'aide de nouvelles techniques de r sum de flux de donn es dans le cadre de l'apprentissage supervis . Notre m thode prend en compte les ressources m moire et processeur. Ces r sum s constituent un pr traitement qui nous permet de proposer de nouvelles versions du classifieur bay sien na f et des arbres de d cision fonctionnant en-ligne sur flux de donn es. Les flux de donn es peuvent comporter des changements de concept. Nous proposons aussi une nouvelle technique supervis e pour d tecter ces changements.