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
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]