Einen Pinecone-Client erstellen

Während des Kurses schreibst du Python-Code, um über den Pinecone Python-Client mit Pinecone zu interagieren. Als Erstes musst du deinen eigenen Pinecone-API-Schlüssel erstellen. Die in den Übungen dieses Kurses verwendeten Pinecone-API-Schlüssel werden nicht gespeichert.

Um einen Schlüssel zu erstellen, musst du zuerst ein kostenloses Pinecone-Starterkonto erstellen, indem du auf https://www.pinecone.io/ gehst . Geh dann zur Seite „API-Schlüssel“, um deinen Schlüssel zu erstellen.

Die API-Schlüsselseite von Pinecone

Diese Übung ist Teil des Kurses

<Kurs>Vektordatenbanken für Einbettungen mit Pinecone</Kurs>

Übungsanweisungen

Importiere die Klasse, die zum Erstellen eines Pinecone-Clients verwendet wird, aus „ pinecone “.
Starte die Pinecone-Klasse und gib deinen API-Schlüssel rein.

Interaktive praktische Übung

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

# Import the Pinecone library
from ____ import ____

# Initialize the Pinecone client
pc = ____

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Vektordatenbanken für Einbettungen mit Pinecone</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Explore the mechanics behind Pinecone's vector database, from pods and indexes to comparing it with other databases. Learn to differentiate pod types, acquire API keys, and initialise Pinecone connection using python. Finally, you’ll learn how to create Pinecone indexes, exploring different parameters such as dimensionality, distance metrics, pod types, and others.

Exercise 1: Einführung in Pinecone-Indizes Exercise 2: Einen Pinecone-Client erstellen

Aktuelle Übung

Exercise 3: Dein erster Pinecone-Index Exercise 4: Indizes verwalten Exercise 5: Verbindung zu einem Index herstellen Exercise 6: Löschen eines Index Exercise 7: Das Pinecone-Ökosystem Exercise 8: Vektoraufnahme Exercise 9: Überprüfen der Dimensionalität Exercise 10: Vektoren mit Metadaten einlesen

Get hands-on with Pinecone in Python, where we explore the practical side of using Pinecone for managing indexes, adding vectors with metadata, searching and retrieving vectors, and making updates or deletions. Gain a solid grasp of the key functions and ideas to smoothly handle data in the Pinecone vector database.

Exercise 1: Retrieving vectors Exercise 2: Querying vs. fetching Exercise 3: Fetching vectors Exercise 4: Querying vectors Exercise 5: Returning the most similar vectors Exercise 6: Changing distance metrics Exercise 7: Metadata filtering Exercise 8: Filtering queries Exercise 9: Multiple metadata filters Exercise 10: Updating and deleting vectors Exercise 11: Updating vector values Exercise 12: Updating vector metadata Exercise 13: Deleting vectors

In this chapter, learners delve into optimizing Pinecone index performance, leveraging multi-tenant namespaces for cost reduction, building semantic search engines, and creating retrieval-augmented question answering systems using Pinecone with the OpenAI API. Through these lessons, learners gain practical skills in performance tuning, semantic search, and retrieval-augmented question answering, empowering them to apply Pinecone effectively in real-world AI applications.

Exercise 1: Batching upserts Exercise 2: Defining a function for chunking Exercise 3: Batching upserts in chunks Exercise 4: Batching upserts in parallel Exercise 5: Multitenancy and namespaces Exercise 6: Namespaces Exercise 7: Querying namespaces Exercise 8: Semantic search with Pinecone Exercise 9: Creating and configuring a Pinecone index Exercise 10: Upserting vectors for semantic search Exercise 11: Querying vectors for semantic search Exercise 12: RAG chatbot with Pinecone and OpenAI Exercise 13: Upserting YouTube transcripts Exercise 14: Building a retrieval function Exercise 15: RAG questions answering function Exercise 16: Congratulations!