Description de la thèse: Ce travail de thèse aborde le problème de l'apprentissage d'un modèle de classification probabiliste à partir de données manquante et/ou de biais de sélection. Ce type de données se rencontre régulièrement dans de nombreuses applications réelles (épidémiologie, santé, industrie) . Pour ce faire, nous proposons d'utiliser des graphes acycliques orientés (DAG) comme modèles de représentation formelle des mécanismes sous-jacents aux données manquantes et de biais de sélection, en nous appuyant sur les travaux de Judea Pearl. L'objet de la thèse est d'établir certaines conditions sous lesquelles il est possible d'apprendre un modèle prédictif non biaisé à partir de ces jeux de données. Des études de cas spécifiques seront présentés pour valider nos propositions.