CommencerCommencer 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

Introduction aux embeddings avec l’API OpenAI

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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