Ces dernières années, la réalisation d'ordinateurs quantiques revêt un intérêt important. Pour autant, à quoi serviront ces machines? En particulier, pouvons-nous savoir si les algorithmes quantiques pourront être utilisés dans le domaine de l'apprentissage automatique, pour le long terme ou le court terme? Nous montrerons comment relier les principes fondamentaux du machine learning et de l'informatique quantique par l'algèbre linéaire. Ces résultats sont ensuite utilisés pour développer de nouveaux algorithmes quantiques (produit de matrices, estimation de distances) en particulier pour l'apprentissage automatique non supervisé (k-means, spectral clustering) et en réseau de neurones (FNN, CNN, OrthogonalNN). Cela nous permettra de définir de nombreuses procédures fondamentales, notamment en analyse vectorielle et en analyse de graphes. Nous analyserons la complexité de ces algorithmes quantiques par rapport à leur version classique, et étudierons des effets aléatoires dus à la nature quantique du calcul.