diff --git a/readme.md b/readme.md
index df155bdd98f6044c765c289ed52cfcf45ea94264..cc3692109d639484cdf73418e3c3531d11837715 100644
--- a/readme.md
+++ b/readme.md
@@ -1,6 +1,7 @@
 % Programmation séquentielle - K-Means
 
 # But
+
 Le but de ce travail est d'implémenter la méthode des k-moyennes
 pour partitionner des données de façon non supervisée.
 
@@ -42,26 +43,14 @@ Il faut simplement s'assurer qu'ils ne soient pas trop proches les uns des autre
 
 ### Etapes
 
-Ainsi vous devrez les assigner à des _clusters_ par rapport à la distance séparent les points.
-En effet, chaque point devra appartenir au _cluster_ dont son _centroïde_ est le plus proche.
-
-
-Afin de quantifier la proximité de deux éléments entre eux, nous avons
-besoin de définir une fonction distance, qui sera notre métrique.
-
-Cette fonction distance peut retourner simplement une distance
-de Manhattan ou une distance euclidienne et prend en argument deux vecteurs éléments de notre univers.
+Ainsi, l'assignation des points à leurs _clusters_ se déroule de la manière suivante :
 
-$$d(x,y)$$
-
-
-Ainsi, l'assignation de chaque point à un _cluster_ se déroule de la manière suivante :
+Pour chaque point, il faut:
 
 1. Calculer la distance entre le point et les _centroïdes_.
-2. Comparer les distances pour déterminer le _centroïde_ le plus proche.
-3. Assigner le point au _cluster_ du _centroïde_ le plus proche .
-
-
+2. Prendre le centroïde qui correspond à la distance trouvée la plus petite.
+3. Assigner le point au _cluster_ du _centroïde_ ainsi trouvé.
+4. Calculer le nouveau centre de gravité du _cluster_.
 
 
 ## Calcul de similarité