diff --git a/README.md b/README.md
index 0f68967d25ea9e9c69ec88d04b511a280611a0b7..57e8409dc9f3d2ab6191c5445b7d2592b9c282c4 100644
--- a/README.md
+++ b/README.md
@@ -9,7 +9,7 @@ Les méthodes testées ici sont celles des K-plus proches voisins (KNN) et des r
 ## Usage
 
 Le répertoire est constitué des éléments suivants :
-* Un dossier "data" qui contient les images à exploiter. Celui-ci contient 6 lots de 10 000 images chacun, ainsi que d'un fichier "batches_meta" qui contient un dictionnaire qui fait correspondre les indices des classes (1 à 10) à leur classe (automobile, avion, etc.).
+* Un dossier "data" qui contient les images à exploiter. Celui-ci contient 6 lots de 10 000 images chacun, ainsi qu'un fichier "batches_meta" qui contient un dictionnaire qui fait correspondre les indices des classes (1 à 10) à leur classe (automobile, avion, etc.).
 
 * Un script python read_cifar.py qui contient les fonctions servant à lire les données de "data" ainsi qu'une fonction split_dataset qui permet de diviser les données aléatoirement en un jeu d'entraînement et un jeu de test, selon un coefficient "split" compris entre 0 et 1 qui permet de déterminer la taille du jeu de test. En lançant le script, on teste la fonction split_dataset en vérifiant que les jeux d'entraînement et de test ont bien la bonne taille.