Read more
La qualité du vin est importante pour les consommateurs ainsi que pour l'industrie du vin. La méthode traditionnelle (testeur de vin expert) pour mesurer la qualité du vin peut être coûteuse et prendre du temps. De nos jours, les modèles d'apprentissage automatique sont avant tout des outils destinés à remplacer l'intervention humaine. En tant que sous-domaine de l'intelligence artificielle (IA), l'apprentissage automatique (ML) vise à comprendre la structure des données et à les intégrer dans des modèles, qui peuvent ensuite être utilisés sur des données invisibles pour réaliser la tâche souhaitée. L'apprentissage automatique a été largement utilisé dans divers secteurs tels que les entreprises, la médecine et l'astrophysique pour n'en citer que quelques-uns et bien d'autres problèmes scientifiques. Inspirés par le succès de l'intelligence artificielle dans différents secteurs, nous pouvons l'utiliser pour prédire la qualité du vin en fonction de diverses propriétés physico-chimiques du vin. Parmi diverses méthodes d'apprentissage automatique, nous analysons les performances des méthodes ML d'ensemble d'arbres extrêmement aléatoires (arbres supplémentaires), d'Extreme Gradient Boosting (XG Boost) et de Light gradient-boosting machine (Light GBM). Ce travail démontre comment l'analyse de données statistiques peut être utilisée pour identifier les composants qui contrôlent principalement la qualité du vin avant la production.
About the author
Todos los autores están trabajando en el ADYPSOE Lohegaon Pune, India. Nuestro instituto es la marca Colegio de Ingeniería en la India y nuestra universidad está afiliada a SPPU, Pune Maharashtra, India. Estamos muy contentos de trabajar en nuestra actual universidad ADYPSOE Pune.
