Dans ce rapport nous appliquons de nombreuses techniques d’apprentissage automatique (Machine Learning) au problème de prévision de l’activité économique au Québec et au Canada. Six groupes de modèles sont considérés : les modèles à facteurs, régressions pénalisées, régressions régularisées par sous-ensembles complets, régressions à vecteurs de support, forêts d’arbres aléatoires et les réseaux de neurones. Tous ces modèles apportent différentes façons de gérer les grands ensembles de données et de générer les formes fonc-tionnelles hautement complexes. La prédiction de 16 variables macroéconomiques québécoises et canadiennes est évaluée dans un exercice de prévision hors échantillon. Les grands ensembles de données canadiennes et américaines sont considérés. Les résultats indiquent que les méthodes machine learning, combinées avec les grands ensembles de données, ont un bon pouvoir prédictif pour plusieurs variables d’activité réelle comme le PIB, la formation brute de capital fixe et la production industrielle. Les forêts d’arbres aléatoires sont particulièrement résiliantes, suivies des réseaux de neurones. La prévision des variables du marché d’emploi est améliorée par l’utilisation des régressions pénalisées, simples ou par sous-ensembles complets. Les taux d’inflation sont prévisibles avec les forêts aléatoires et les régressions pénalisées. Quant aux mises en chantier et le taux de change USD/CAD, les méthodes machine learning n’arrivent pas à améliorer la prévision ponctuelle, mais affichent des résultats intéressants au niveau de la prévision de la direction future de ces variables.