ComeçarComece gratuitamente

Visualizando as descrições incorporadas

Agora que você criou incorporações a partir das descrições dos produtos, é hora de explorá-las! Você usará o t-SNE para reduzir o número de dimensões nos dados de embeddings de 1.536 para duas, o que facilitará muito a visualização dos dados.

Você começará com a lista products de dicionários com os quais trabalhou no último exercício, contendo informações sobre o produto e os embeddings que você criou a partir do 'short_description'. Como lembrete, aqui está uma prévia 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 e numpy foram importados como plt e np, respectivamente.

Este exercício faz parte do curso

Introdução aos embeddings com o OpenAI API

Ver Curso

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

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