Vektörleri getirme

Bu egzersizde, 'datacamp-index' indeksindeki farklı kayıtların kimliklerini içeren bir ids listesi verildi. Bu kimlikleri kullanarak ilgili kayıtları alacak ve metadata'larını inceleyeceksin.

Bu egzersiz

Pinecone ile Vektör Veritabanları ve Embeddings

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Pinecone bağlantısını API anahtarınla başlat.
Bağlı indeksten ids listesindeki kimliklere sahip vektörleri al.
fetched_vectors içindeki her kaydın metadata'sını içeren sözlüklerden oluşan bir liste oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize the Pinecone client with your API key
pc = Pinecone(api_key="____")

index = pc.Index('datacamp-index')
ids = ['2', '5', '8']

# Fetch the vectors from the connected Pinecone index
fetched_vectors = ____

# Extract the metadata from each result in fetched_vectors
metadatas = [fetched_vectors['____'][____]['____'] for id in ids]
print(metadatas)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Pinecone ile Vektör Veritabanları ve Embeddings

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Introduction to Pinecone indexes Exercise 2: Creating a Pinecone client Exercise 3: Your first Pinecone index Exercise 4: Managing indexes Exercise 5: Connecting to an index Exercise 6: Deleting an index Exercise 7: The Pinecone ecosystem Exercise 8: Vector ingestion Exercise 9: Checking dimensionality Exercise 10: Ingesting vectors with metadata

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: Vektörleri getirme Exercise 2: Querying vs. Fetching Exercise 3: Vektörleri getirme

Geçerli Egzersiz

Exercise 4: Vektörleri sorgulama Exercise 5: En benzer vektörleri döndürme Exercise 6: Uzaklık metriklerini değiştirmek Exercise 7: Metadata filtreleme Exercise 8: Sorguları filtreleme Exercise 9: Birden çok metadata filtresi Exercise 10: Vektörleri güncelleme ve silme Exercise 11: Vektör değerlerini güncelleme Exercise 12: Vektör üst verilerini güncelleme Exercise 13: Vektörleri silme

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!