Académique Documents
Professionnel Documents
Culture Documents
Réalisé par :
Imen TOUATI
Souha ZOUAGHI
Filière : IIA5
Groupe : 1.2
1
Partie 1
1. Notions de base :
1.1 Le vin :
Le vin est la boisson obtenue par la fermentation naturelle du jus de raisin mûr
(transformation des sucres du fruit en alcool sous l’action biochimique de levures,
organismes microscopiques qui prolifèrent d’eux-mêmes). En termes de composition, le
vin est un ensemble d’éléments qui s’associent de manière complexe et inconstante : eau,
sucres, alcools, esters, acides, minéraux, substances azotées, acétaldéhyde, substances
phénoliques, pigments, vitamines… 2 à 3 % des composants du vin relèvent encore du
mystère, d’où l’impossibilité de le reproduire en laboratoire.
• Les vins tranquilles (rouges, blancs ou rosés), dont les deux premières couleurs
peuvent être déclinées en vins secs ou vins doux selon la quantité de sucres résiduels
(sucres restants non transformés en alcool au cours de la fermentation). Les vins
rouges et les blancs peuvent subir une seconde fermentation, artificielle cette fois, la
malolactique (transformation de l’acide malique en acide lactique sous l’action de
bactéries) pour assouplir les vins.
2
• La fabrication à partir de différentes parties du raisin
• L’élaboration avec différentes méthodes de vinification
• Les différents composés chimiques
• Les différents niveaux de pH
2. L’apprentissage
L’apprentissage automatique dit en anglais « Machine Learning », est un champ d’étude de l’intelligence
artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la
capacité d’« apprendre» à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des
tâches sans être explicitement programmées pour chacune.
− La première consiste à estimer un modèle à partir de données, appelées observations, qui sont
disponibles et en nombre fini, lors de la phase de conception du système.
L’estimation du modèle consiste à résoudre une tâche pratique, telle que traduire un discours, estimer
une densité de probabilité, reconnaître la présence d’un chat dans une photographie ou participer à la
conduite d’un véhicule autonome. Cette phase dite « d’apprentissage » ou « d’entraînement » est
généralement réalisée préalablement à l’utilisation pratique du modèle.
L’apprentissage profond dit en anglais « Deep Learning », est un type d’intelligence artificielle dérivé du
« Machine Learning », où la machine est capable d’apprendre par elle-même, contrairement à la
programmation où elle se contente d’exécuter à la lettre des règles prédéterminées.
3
L’apprentissage profond s’appuie sur un réseau de neurones artificielles s’inspirant du cerveau humain.
En effet, ce réseau est composé de dizaines voire de centaines de «couches» de neurones, chacune recevant et
interprétant les informations de la couche précédente.
4
Partie 2
Les données utilisées dans ce projet pour l’implémentation de notre modèle, est disponible
sur « UCI Machine Learning Repository », sous le lien :
https://archive.ics.uci.edu/ml/datasets/wine+Quality
5
6
2.3. Visualisation des Données :
7
8
Partie 3
Modélisation et évaluation
9
3. Structure du réseau de neurones :
4. Entrainement du modèle :
10
5. Résultats :
11
6. Prédiction :
12
Conclusion générale et perspectives
En guise de conclusion, nous aimerons tout d’abord souligner que nous avons eu la chance de travailler sur
un sujet très intéressant qui nous a permis de solidifier nos connaissances en Python et en Machine Learning.
Les résultats que nous avons obtenus ne sont pas parfaits mais quand même prometteurs. Notre modèle
pourra être amélioré. Cependant, cela nécessite un Dataset encore plus large que celui que nous avons utilisé.
Puisque les données sont de taille importante, ces modèles ne devraient être exécutés sur des machines très
puissantes permettant d’avoir un résultat rapide qui pourra être amélioré au fur et à mesure.
13