¿Cómo funcionan los embeddings?

1

Cómo Entender y Aplicar Embeddings en IA: De Teoría a Práctica

2

Introducción a One-Hot Encoding y TF-IDF en IA

3

Representación Vectorial de Palabras

4

Evaluación de Similitudes Semánticas: Métodos y Aplicaciones

Quiz: ¿Cómo funcionan los embeddings?

Creación de embeddings

5

Creación y entrenamiento de modelos Word2Vec con Gensim

6

Procesamiento y Limpieza de Datos para IA con Word2Vec y Gensim

7

Entrenamiento de Modelos Word2Vec con GenSim y Análisis de Similitud

8

Word2Vec: Entrenando IA para Comprender el Lenguaje

Quiz: Creación de embeddings

Usando embeddings preentrenados

9

Uso práctico de Sentence Transformers en procesamiento de textos

10

Análisis Semántico: Buscar Textos con Sentence Transformers

11

Manejo de Embeddings con OpenAI: API, Instalación y Datasets

12

Manejo y Visualización de Embeddings con OpenAI: Guía Práctica

13

Creación de un Motor de Búsqueda Semántico con Python

14

Transformación de Texto a Embeddings con Sentence Transformer

Quiz: Usando embeddings preentrenados

Bases de datos vectoriales

15

Qué es y cómo usar una base de datos vectorial

16

Gestión de Bases de Datos Vectoriales con ChromaDB: Instalación y Uso

17

Generación y manejo de embeddings en Chroma con Sentence Transformer

18

Consultas avanzadas y filtrado en bases de datos con Chroma

19

Cargar colección de Chroma previamente creada

20

Configuración y Uso de Pinecone: Desde la Instalación hasta la Inserción de Datos

21

Optimización de Ingesta de Datos en Pinecone: Procesos y Estrategias

22

Consultas Avanzadas en Pinecone: De Texto a Vector y Filtros

23

Carga de índices en Pinecone: Gestión eficiente en la nube

24

Carga de embeddings en Pinecone para búsqueda semántica

25

Creación de buscador semántico con Gradio y Sentence Transformer

Quiz: Bases de datos vectoriales

Conclusiones

26

Potenciando los LLMs: Integración de Embeddings y Datos Vectoriales

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.

Antes: $249

Currency
$209

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Suscríbete

Termina en:

15 Días
17 Hrs
41 Min
28 Seg

Configuración y Uso de Pinecone: Desde la Instalación hasta la Inserción de Datos

20/26
Recursos

Aportes 7

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Hola vengo actualizar la forma en la que se crea el indece a pinecone. ```python pc.create_index( "movies-embeddings", dimension=dimension_embeddings, metric="cosine", spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"), ) ```pc.create\_index(    "movies-embeddings",    dimension=dimension\_embeddings,    metric="cosine",    spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"),)
Cuando creo en Pinecone m cuenta gratuita no me genera ppara el proyecto en "Environment" como aparee en la clase sino que aparece "gcp-starter " y con ese environment no he podido avanzar. Me aparece un mensaje que indica: "Check that the correct environment is specified"
Resumen ■■■■■■ **Pinecone** , es una base de datos vectorial no gratuita que tiene versión gratuita muy poderosa, incluso en podría usarse en producción dado a su generosidad, actualmente "Limited to one index and one project. No credit card required." en la capa de free tier, pero no irrumpe el uso en ninguna manera. Precisaremos instalar y configurar: 1\. Access Keys con la API key 2\. Inicializar el ambiente 3\. Crear el índice, junto con las dimensiones del array y con las métricas que se usarán para la búsqueda por similitud vectorial. \_\_\_\_\_\_\_\_ En Pinecone tendremos dos tipos de operaciones: \- **Vectoriales**: Aquí van todas las operaciones de consulta, creación, actualización, borrado. \- **Operaciones de índice**: Son operaciones asociadas a listar colecciones, describirlas, configurar, borrar, crear. Por ejemplo con el método `describe_index_stats`: ```python `index_stats_response = index.describe_index_stats()` ```
Hola vengo actualizar la forma de crear el indice desde pinecone. ```js pc.create_index( "movies-embeddings", dimension=dimension_embeddings, metric="cosine", spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"), ) ```pc.create\_index(    "movies-embeddings",    dimension=dimension\_embeddings,    metric="cosine",    spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"),)
Hola vengo a actualizar la forma en la que se crea el indice a pinecone. ```js pc.create_index( "movies-embeddings", dimension=dimension_embeddings, metric="cosine", spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"), ) ```pc.create\_index(    "movies-embeddings",    dimension=dimension\_embeddings,    metric="cosine",    spec=pinecone.ServerlessSpec(cloud="aws", region="us-east-1"),)
El siguiente paso de crear un index se hace así: `pc.create_index(  name="movies-embeddings",  dimension=dimension_embeddings,  metric="cosine",  spec=PodSpec(    environment="gcp-starter"  ))` Ya no se hace más cómo se muestra en el video!
No me deja ingresar el ambiente de gcp-starter