Update(README) : Ajout d'informations

README.md

@@ -45,11 +45,12 @@ Les utilisateurs peuvent utiliser directement le modèle pour des tâches de cla
 Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.
 
 ## How to Get Started with the Model
-
-1) Télécharger les fichiers de poids contenu dans les dossiers .zip du modèle pré-entraîné pour la classification des commentaires.
-2) Télécharger et installer le fichier requirements.txt pour les dépendances
-3) Télécharger le fichier inference_script.py pour effectuer des prédictions avec le modèle pré-entraîné.
-4) Télécharger le fichier avec les données d'entrées à prédire
+1) Télécharger et installer le fichier requirements.txt pour les dépendances.
+   ```pip install -r requirements.txt```
+2) Télécharger les fichiers de poids contenu dans les dossiers .zip du modèle pré-entraîné pour la classification des commentaires.
+3) Télécharger et installer le fichier requirements.txt pour les dépendances
+4) Télécharger le fichier inference_script.py pour effectuer des prédictions avec le modèle pré-entraîné.
+5) Télécharger le fichier avec les données d'entrées à prédire
 
 ## Training Details
 
@@ -130,8 +131,20 @@ Ce désequilibre induit un certains biais entre les classes.
 
 ### Model Architecture and Objective
 
-[More Information Needed]
-
+Le notebook .ipynb a pour but la création, l'entraînement et l'évaluation du modèle. 
+Ce script comprend les étapes suivantes :
+- Chargement et prétraitement du jeu de données annoté manuellement par Datactivist.
+- Création d'un modèle Camembert et d'un tokenizer.
+- Entraînement du premier modèle pour prédire les catégories.
+- Évaluation des performances du premier modèle (catégories)
+- Prétraitement des données pour le deuxième modèle, concaténation avec les prédictions du premier modèle.
+- Entraînement du deuxième modèle pour prédire les sous-catégories.
+- Évaluation des performances du deuxième modèle (sous-catégories).
+
+L'architecture du modèle est basée sur Camembert et est conçue pour la classification de texte. 
+L'objectif principal est de catégoriser les discussions dans des classes prédéfinies.
+Le premier modèle classifie sur 6 catégories et le second modèle sur 26 sous-catégories.
+Et chaque catégorie comporte plusieurs sous-catégories d'appartenances mais le modèle ne prédit que des catégories et sous-catégories d'appartenances uniques.
 
 ## Model Card Authors