Eingebettete Beschreibungen visualisieren
Nachdem du Embeddings aus den Produktbeschreibungen erstellt hast, ist es Zeit, sie zu erkunden! Du verwendest t-SNE, um die Anzahl der Dimensionen der Embeddings-Daten von 1.536 auf zwei zu reduzieren – so lassen sich die Daten viel leichter visualisieren.
Du startest mit der products-Liste von Dictionaries aus der letzten Übung. Sie enthält Produktinformationen und die Embeddings, die du aus der 'short_description' erstellt hast. Zur Erinnerung siehst du hier eine Vorschau von products:
products = [
{
"title": "Smartphone X1",
"short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",
"price": 799.99,
"category": "Electronics",
"features": [
"6.5-inch AMOLED display",
"Quad-camera system with 48MP main sensor",
"Face recognition and fingerprint sensor",
"Fast wireless charging"
],
"embedding": [-0.014650369994342327, ..., 0.008677126839756966]
},
...
]
matplotlib.pyplot und numpy wurden als plt bzw. np importiert.
Diese Übung ist Teil des Kurses
Einführung in Embeddings mit der OpenAI API
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create categories and embeddings lists using list comprehensions
categories = [product[____] for product in products]
embeddings = [product[____] for product in products]