Artificial intelligence has been applied in wildfire science and management since the 1990s, with early applications including neural networks and expert systems. Since then, the field has rapidly progressed congruently with the wide adoption of machine learning (ML) methods in the environmental sciences. Here, we present a scoping review of ML applications in wildfire science and management. Our overall objective is to improve awareness of ML methods among wildfire researchers and managers, as well as illustrate the diverse and challenging range of problems in wildfire science available to ML data scientists. To that end, we first present an overview of popular ML approaches used in wildfire science to date and then review the use of ML in wildfire science as broadly categorized into six problem domains, including (i) fuels characterization, fire detection, and mapping; (ii) fire weather and climate change; (iii) fire occurrence, susceptibility, and risk; (iv) fire behavior prediction; (v) fire effects; and (vi) fire management. Furthermore, we discuss the advantages and limitations of various ML approaches relating to data size, computational requirements, generalizability, and interpretability, as well as identify opportunities for future advances in the science and management of wildfires within a data science context. In total, to the end of 2019, we identified 300 relevant publications in which the most frequently used ML methods across problem domains included random forests, MaxEnt, artificial neural networks, decision trees, support vector machines, and genetic algorithms. As such, there exists opportunities to apply more current ML methods—including deep learning and agent-based learning—in the wildfire sciences, especially in instances involving very large multivariate datasets. We must recognize, however, that despite the ability of ML models to learn on their own, expertise in wildfire science is necessary to ensure realistic modelling of fire processes across multiple scales, while the complexity of some ML methods such as deep learning requires a dedicated and sophisticated knowledge of their application. Finally, we stress that the wildfire research and management communities play an active role in providing relevant, high-quality, and freely available wildfire data for use by practitioners of ML methods. L’intelligence artificielle a ete utilisee en science et en gestion des feux de foret depuis les annees 1990, les premieres applications comprenant les reseaux neuronaux et les systemes experts. Depuis lors, le domaine a rapidement progresse parallelement a l’adoption des methodes d’apprentissage machine (AM) en sciences de l’environnement. Les auteurs presentent ici une synthese du cadrage des applications de l’AM en science et en gestion des feux de foret. Leur objectif global consiste a ameliorer la notoriete des methodes d’AM aupres des chercheurs et des gestionnaires des feux de foret, de meme qu’a illustrer l’etendue vaste et complexe des problemes en science des feux de foret dont disposent les scientifiques specialistes de donnees en AM. A cette fin, ils presentent d’abord un survol des approches populaires en AM utilisees en science des feux de foret a ce jour et font ensuite la synthese de l’utilisation de l’AM en science des feux de foret, selon six grands domaines de problemes dont (i) la caracterisation des carburants, la detection et la cartographie de l’incendie; (ii) la temperature de l’incendie et les changements climatiques; (iii) les circonstances, la susceptibilite et le risque d’incendie; (iv) la prediction du comportement de l’incendie; (v) les effets de l’incendie; et (vi) la gestion de l’incendie. Par ailleurs, les auteurs discutent des avantages et des limites de differentes approches d’AM en lien avec la taille des donnees, les exigences de calcul, le potentiel de generalisation et d’interpretation et identifient egalement les possibilites d’avancees futures en science et gestion des feux de foret dans le contexte de la science des donnees. Ils ont identifie au total 300 publications pertinentes jusqu’a la fin de 2019 qui comprennent les methodes d’AM les plus frequemment utilisees a travers les domaines de problemes, dont les forets aleatoires, MaxEnt, les reseaux de neurones artificiels, les arbres de decision, les separateurs a vaste marge et les algorithmes genetiques. Il existe ainsi des possibilites d’appliquer davantage de methodes actuelles d’AM—y compris l’apprentissage profond et l’apprentissage base sur l’agent—en sciences des feux de foret, particulierement dans les cas impliquant de tres grands ensembles de donnees multivariees. Ilsreconnaissent cependant que, malgre la capacite des methodes en AM d’apprendre par elles-memes, l’expertise en science des feux de foret est necessaire pour s’assurer d’une modelisation realiste des processus des incendies a differentes echelles, alors que la complexite de certaines methodes en AM telles que l’apprentissage profond, requiert une connaissance approfondie et specifique de leur application. Finalement, ils soulignent que les communautes qui se consacrent a la recherche et a la gestion des feux de foret jouent un role actif en fournissant des donnees pertinentes, de haute qualite et en libre acces a l’usage des praticiens des methodes en AM.