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

<Kurs>Einführung in Embeddings mit der OpenAI API</Kurs>

Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create categories and embeddings lists using list comprehensions
categories = [product[____] for product in products]
embeddings = [product[____] for product in products]

Code bearbeiten und ausführen