Dans cette thèse, nous explorons l’utilisation de systèmes complexes pour étudier l’apprentissage et l’adaptation dans les systèmes naturels et artificiels. L’objectif est de développer des systèmes autonomes capables d’apprendre sans supervision, de se développer de manière autonome et de devenir de plus en plus complexes avec le temps. Les systèmes complexes apparaissent comme un cadre adapté pour comprendre ces phénomènes en raison de leur capacité à croître en complexité. Être en mesure de construire des algorithmes d’apprentissage qui nécessitent peu ou pas de supervision permettrait une plus grande flexibilité et adaptabilité dans diverses applications. En tentant de comprendre les principes fondamentaux de l’apprentissage dans les systèmes complexes, nous espérons améliorer notre capacité à concevoir et à mettre en œuvre des algorithmes d’apprentissage à l’avenir. Cette thèse apporte les contributions suivantes : le dévelop- pement d’une métrique de complexité générale que nous appliquons pour rechercher des systèmes complexes qui présentent une croissance de complexité, l’introduction d’une méthode pour étudier les calculs dans des systèmes complexes à grande échelle, et le développement d’une métrique pour l’efficacité de l’apprentissage ainsi que l’introduction d’un jeu de données de référence pour évaluer la vitesse des algorithmes d’apprentissage. Nos résultats contribuent significativement à notre compréhension de l’apprentissage et de l’adaptation dans les systèmes naturels et artificiels. De plus, notre approche contribue à une nouvelle direction prometteuse pour la recherche dans ce domaine. Nous espérons que ces résultats inspireront le développement d’algorithmes d’apprentissage plus efficaces et plus performants à l’avenir.