AccueilActualités informatiqueProjet d'élèves de Kassel : calculer le temps de cuisson de l'œuf...

Projet d’élèves de Kassel : calculer le temps de cuisson de l’œuf au petit déjeuner avec EierML

Un groupe d’élèves de Kassel a développé EierML, une application qui doit pouvoir calculer le temps de cuisson idéal pour leur œuf parfait au petit-déjeuner. Le calcul est effectué par un algorithme de machine learning. L’application a besoin de données telles que la hauteur, la largeur et le degré de dureté souhaité pour l’œuf.

Les utilisateurs peuvent également se passer de règle, car l’application fournit un outil de mesure numérique. Les œufs ne doivent pas sortir du réfrigérateur, mais être déjà à température ambiante. De plus, l’eau doit déjà bouillir avant que l’œuf ne soit placé dedans.

Les élèves ont collecté eux-mêmes les données en faisant cuire assidûment des œufs qu’ils avaient donnés. Ils ont visualisé les données dans un diagramme et ont ainsi pu saisir la viscosité moyenne (viscosité) en fonction du temps.

Viscosité moyenne en fonction du temps.

(Image : ML Projects / EierML)

Cependant, ils ont sans doute atteint les limites des possibilités de représentation. En effet, la taille (longueur, largeur) des œufs joue également un rôle. Apparemment, quatre dimensions sont nécessaires pour calculer le temps de cuisson pour obtenir la dureté souhaitée de l’œuf au petit déjeuner : Viscosité, temps, hauteur, largeur. Le graphique ne permet toutefois qu’une représentation en 2D.

Le groupe d’élèves a opté pour le langage de programmation Python et a mis en place un script pour une régression linéaire, comme le montre le billet de blog :

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

df = pd.read_csv("Eier-Tabelle2.csv")

X = df[["Höhe (cm)", "Breite (cm)", "Viskosität (1-10)"]].values
Y = df[["Dauer"]].values

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state=4, test_size=0.25)

model = LinearRegression()
model.fit(X_train, Y_train)

print(model.coef_)
print(model.intercept_)

Fin septembre, l’application avait atteint la version 1.0. L’application peut être téléchargée et testée pour iOS 14 ou une version ultérieure via l’App Store. Il y a quelques jours seulement, une mise à jour a apporté le soutien au nouvel iPhone 13. De plus amples informations sur le projet sont disponibles sur le site web du projet ainsi que sur le blog EierML.

Plus d'articles