Cette thèse porte sur l’application du Machine Learning à l’étude d’équations différentielles fortement oscillantes. Plus précisément, on s’intéresse à une manière d’approcher de manière précise et avec le moins de calculs possible la solution d’une équation différentielle en s’aidant de réseaux de neurones. Tout d’abord, le cas autonome est étudié, où les propriétés de l’analyse rétrograde et des réseaux de neurones sont utilisés afin d’améliorer des méthodes numériques existantes, puis une généralisation au cas fortement oscillant est proposée afin d’améliorer un schéma numérique d’ordre un spécifique à ce cas de figure. Ensuite, les réseaux de neurones sont utilisés afin de remplacer les calculs préalables nécessaires à l’implémentation de méthodes numériques uniformément précises permettant d’approcher les solutions d’équations fortement oscillantes, que ce soit en partant des travaux mis en œuvre pour le cas autonome, ou bien en utilisant une structure de réseau de neurone intégrant directement la structure de l’équation.