L'apprentissage statistique propose un ensemble de techniques capables de construire des modeles a partir d'observations passees. Ces techniques ont montre leur capacite a traiter des volumetries importantes. Cependant, de nouvelles applications generent de plus en plus de donnees visibles sous la forme d'un flux et qui doivent etre traitees sequentiellement. Parmi ces applications, on citera: la publicite en-ligne, la modelisation des utilisateurs au sein d'un reseau social, le web mining. L'un des defis techniques est de concevoir des algorithmes permettant l'apprentissage avec les nouvelles contraintes imposees par les flux de donnees. Nous proposons d'aborder ce probleme a l'aide de nouvelles techniques de resume de flux de donnees dans le cadre de l'apprentissage supervise. Notre methode prend en compte les ressources memoire et processeur. Ces resumes constituent un pretraitement qui nous permet de proposer de nouvelles versions du classifieur bayesien naif et des arbres de decision fonctionnant en-ligne sur flux de donnees. Les flux de donnees peuvent comporter des changements de concept. Nous proposons aussi une nouvelle technique supervisee pour detecter ces changements."