Les outils de machine learning connaissent un véritable engouement depuis le début des années 2010, offrant des approches de prédictions efficaces au profit de l'intelligence artificielle et de l'analyse statistique. Ces mêmes méthodes de prédictions ont également suscité l'intérêt de la communauté de recherche opérationnelle pour la prise de décision basée sur de l'analyse prédictive exploitant des historiques et des jeux de données massifs. Une des principales forces de la régression, et de l'apprentissage machine en général, est de pouvoir de capturer des tendances non linéaires permettant d'apprendre des valeurs impliquées dans des contraintes qui demeurent très difficile à prédire en temps normal. L'objectif de cette étude est de mettre à profit la puissance de ces modèles de prédiction pour alimenter un programme linéaire avec des informations difficiles à exprimer en programmation linéaire et qui viendront améliorer la précision et la rapidité de résolution. Dans le cas qui nous intéresse, nous souhaitons savoir si cette approche mêlant apprentissage machine et programmation linéaire saurait profiter à des problèmes de planification de la production à capacité limitée.