¿Cómo funcionan los embeddings?
Cómo Entender y Aplicar Embeddings en IA: De Teoría a Práctica
Introducción a One-Hot Encoding y TF-IDF en IA
Representación Vectorial de Palabras
Evaluación de Similitudes Semánticas: Métodos y Aplicaciones
Quiz: ¿Cómo funcionan los embeddings?
Creación de embeddings
Creación y entrenamiento de modelos Word2Vec con Gensim
Procesamiento y Limpieza de Datos para IA con Word2Vec y Gensim
Entrenamiento de Modelos Word2Vec con GenSim y Análisis de Similitud
Word2Vec: Entrenando IA para Comprender el Lenguaje
Quiz: Creación de embeddings
Usando embeddings preentrenados
Uso práctico de Sentence Transformers en procesamiento de textos
Análisis Semántico: Buscar Textos con Sentence Transformers
Manejo de Embeddings con OpenAI: API, Instalación y Datasets
Manejo y Visualización de Embeddings con OpenAI: Guía Práctica
Creación de un Motor de Búsqueda Semántico con Python
Transformación de Texto a Embeddings con Sentence Transformer
Quiz: Usando embeddings preentrenados
Bases de datos vectoriales
Qué es y cómo usar una base de datos vectorial
Gestión de Bases de Datos Vectoriales con ChromaDB: Instalación y Uso
Generación y manejo de embeddings en Chroma con Sentence Transformer
Consultas avanzadas y filtrado en bases de datos con Chroma
Cargar colección de Chroma previamente creada
Configuración y Uso de Pinecone: Desde la Instalación hasta la Inserción de Datos
Optimización de Ingesta de Datos en Pinecone: Procesos y Estrategias
Consultas Avanzadas en Pinecone: De Texto a Vector y Filtros
Carga de índices en Pinecone: Gestión eficiente en la nube
Carga de embeddings en Pinecone para búsqueda semántica
Creación de buscador semántico con Gradio y Sentence Transformer
Quiz: Bases de datos vectoriales
Conclusiones
Potenciando los LLMs: Integración de Embeddings y Datos Vectoriales
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 3
Preguntas 1
En las nuevas versiones de OpenAI, ya no está disponible esa manera para realizar los Embeddings. Pueden solucionarlo así:
from openai import OpenAI
client = OpenAI()
def get_embedding(text, model = "text-embedding-ada-002"):
text = text.replace('\n', '')
response = client.embeddings.create(
input=text,
model=model
)
return response.data[0].embedding
df["ada_embedding"] = df["FOOD NAME"].apply(lambda x: get_embedding(x))
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?