Ces dernières années, on a assisté à une augmentation spectaculaire de l'intérêt académique et sociétal pour l'apprentissage automatique équitable. En conséquence, des travaux significatifs ont été réalisés pour inclure des contraintes d'équité dans l'objectif d'apprentissage des algorithmes d'apprentissage automatique. Le but principal est de s'assurer que les prédictions des modèles ne dépendent d'aucun attribut sensible comme le sexe ou l'origine d'une personne par exemple. Bien que cette notion d'indépendance soit incontestable dans un contexte général, elle peut théoriquement être définie de manières totalement différentes selon la façon dont on voit l'équité. Cette thèse donne d'une part, une vue d'ensemble des méthodologies appliquées dans ces différentes familles afin d'encourager les bonnes pratiques. Ensuite, nous identifions et complétons les lacunes en présentant de nouvelles métriques et des algorithmes de machine learning équitables.