Etudiant : LAMDIBIH KHADIJA

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. BENLAHBIB ABDESSAMAD

Annèe : 2026

Résumé : Ce rapport de stage présente une étude consacrée à la quantification de l'incertitude dans les modèles d'apprentissage profond appliqués à la prédiction du taux de matière sèche de la mangue à partir de données spectrales VIS-NIR. Trois architectures de réseaux de neurones ont été mobilisées : CuiNet, un modèle convolutionnel adapté aux spectres ; Darionet, un réseau hybride convolutionnel-dense conçu pour la chimiométrie et ViT_1D, une version unidimensionnelle du transformateur visuel. Dans ce cadre, trois méthodes simples de quantification d'incertitude ont été explorées : MC Dropout, SWAG et Model Averaging. L'étude s'appuie sur une évaluation des performances selon trois critères : le RMSE, le coefficient de détermination R², et la couverture des intervalles de confiance à 95%. Ce travail s'inscrit dans une volonté d'intégrer l'incertitude comme composante essentielle dans les processus de modélisation en spectroscopie, en particulier dans les domaines exigeant des prédictions fiables et interprétables.