CommencerCommencez gratuitement

Visualiser les descriptions intégrées

Vous avez maintenant créé des embeddings à partir des descriptions de produits : il est temps de les explorer ! Vous allez utiliser t-SNE pour réduire le nombre de dimensions des embeddings de 1 536 à deux, ce qui rendra les données bien plus simples à visualiser.

Vous partirez de la liste de dictionnaires products utilisée dans l’exercice précédent, qui contient les informations produits et les embeddings générés à partir de 'short_description'. Pour rappel, voici un aperçu de 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 et numpy ont été importés respectivement sous les noms plt et np.

Cet exercice fait partie du cours

<cours>Introduction aux embeddings avec l’API OpenAI</cours>
Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create categories and embeddings lists using list comprehensions
categories = [product[____] for product in products]
embeddings = [product[____] for product in products]
Modifier et exécuter le code