Le sujet de ce stage s’inscrit dans le contexte du projet RTB foods [1] qui consiste en la facilitation de l’adoption de nouvelles variétés de racines, tubercules et bananes à cuire en Afrique en s’assurant de la qualité des produits. Pour mener à bien ce projet, nous avons opté pour une méthode d’assemblage de modèles de machine learning. Pour former le métamodèle, l’ensemble de formation est divisé en deux sousensembles. Le premier sous-ensemble est utilisé pour former les prédicteurs de la première couche. Ensuite, les prédicteurs de la première couche sont utilisés pour faire des prédictions sur le deuxième ensemble. Cela garantit que les prédictions sont "propres", puisque les prédicteurs n’ont jamais vu ces cas pendant la formation. Cette méthode sera utilisée pour traiter les données recueillies via la spectroscopie dans le proche infrarouge (NIRS). Il s’est rapidement posé un problème d’optimisation de choix des modèles de bases, et de temps d’apprentissage. Pour régler ce problème, nous avons opté pour l’intégration des systèmes multi-agents (SMA). Ces derniers ont donc permis de réaliser la plupart des tâches en parallèle et de maintenir une communication permanente entre les différents modèles de base et d’essayer plusieurs combinaisons pour la formation des méta-modèles. Une stratégie de communication et d’échange d’informations a été mise en place. Plusieurs états entre autre (initial, pause, optimization) ont été définis pour les learners. Toutes les méthodes implémentées ont été testées avec une technique de validation croisée sur des bases de données de vérité de terrain afin d’évaluer leur performance. Nous avons obtenu de très bons résultats (taux d’erreurs variant entre 0.96 et 3,3 suivant l’expérimentation) en comparaison des meilleurs modèles de base.
Readership Map
Content Distribution
Le sujet de ce stage s’inscrit dans le contexte du projet RTB foods [1] qui consiste en la facilitation de l’adoption de nouvelles variétés de racines, tubercules et bananes à cuire en Afrique en s’assurant de la qualité des produits. Pour mener à bien ce projet, nous avons opté pour une méthode d’assemblage de modèles de machine learning. Pour former le métamodèle, l’ensemble de formation est divisé en deux sousensembles. Le premier sous-ensemble est utilisé pour former les prédicteurs de la première couche. Ensuite, les prédicteurs de la première couche sont utilisés pour faire des prédictions sur le deuxième ensemble. Cela garantit que les prédictions sont "propres", puisque les prédicteurs n’ont jamais vu ces cas pendant la formation. Cette méthode sera utilisée pour traiter les données recueillies via la spectroscopie dans le proche infrarouge (NIRS). Il s’est rapidement posé un problème d’optimisation de choix des modèles de bases, et de temps d’apprentissage. Pour régler ce problème, nous avons opté pour l’intégration des systèmes multi-agents (SMA). Ces derniers ont donc permis de réaliser la plupart des tâches en parallèle et de maintenir une communication permanente entre les différents modèles de base et d’essayer plusieurs combinaisons pour la formation des méta-modèles. Une stratégie de communication et d’échange d’informations a été mise en place. Plusieurs états entre autre (initial, pause, optimization) ont été définis pour les learners. Toutes les méthodes implémentées ont été testées avec une technique de validation croisée sur des bases de données de vérité de terrain afin d’évaluer leur performance. Nous avons obtenu de très bons résultats (taux d’erreurs variant entre 0.96 et 3,3 suivant l’expérimentation) en comparaison des meilleurs modèles de base.
