Le problème des décisions optimales de réapprovisionnement des stocks vise à équilibrer les coûts des stocks excédentaires et les risques de pénurie. Dans la modélisation stochastique des stocks, les effets de l'incertitude de la demande sont mieux compris que ceux de l'incertitude des coûts de transport. Bien que des données historiques sur les perturbations soient disponibles, il est difficile pour les praticiens de comprendre comment les commandes de réapprovisionnement doivent être ajustées. Pour combler cette lacune, nous combinons l'optimisation mathématique avec l'apprentissage automatique afin de prédire les commandes de réapprovisionnement optimales en utilisant uniquement des données historiques. Le problème est modélisé comme un problème d'acheminement stochastique des stocks avec livraisons directes (SIRPDD), dont l'objectif est de minimiser les coûts totaux attendus. Les décisions optimales sous l'hypothèse de l'information parfaite sont générées en tant qu'étiquettes de l'apprentissage supervisé. Les variables prédictives du modèle sont les caractéristiques du contrôle des stocks et les informations liées aux perturbations. Nous proposons une nouvelle approche que nous appelons l'apprentissage axé sur les coûts (CFML). Notre approche modifie les hyperparamètres selon les coûts d'application de la politique de réapprovisionnement plutôt que le score de prédiction. Pour gérer la complexité informatique qui en résulte, nous développons une version de l'algorithme génétique. Nous présentons une étude de cas pour le SIRPDD sous incertitude des coûts de transport. Ce cas, basé sur une entreprise chimique située au bord du Rhin, prend en compte deux fournisseurs, des délais d'exécution différents, des tailles de commande différentes et des livraisons directes. Les caractéristiques pertinentes comprennent la position des stocks, l'historique des niveaux d'eau, leurs tendances et les prévisions. Alors que les approches d'apprentissage traditionnelles aboutissent à des politiques inefficaces, nous montrons que notre CFML peut réduire les coûts de 20 % par rapport à la politique classique de commande \((s,Q)\) et de 18 % par rapport aux cadres d'apprentissage automatique.