Sınıflandırma görevleri için gömlemeler

OpenAI API ile Embeddings’e Giriş

Emmanuel Pire

Senior Software Engineer, DataCamp

Sınıflandırma görevleri

Öğelere etiket atama

Kategorizasyon
- Örnek: başlıkları konulara ayırma
Duygu analizi

Makaleleri kategorize etmek için kullanılabilecek konu tablosu.

Sınıflandırma görevleri

Öğelere etiket atama

Kategorizasyon
- Örnek: başlıkları konulara ayırma
Duygu analizi
- Örnek: Yorumları olumlu/olumsuz sınıflandırma

Gömlemeler, anlamsal içeriği yakalar

Duyguya göre kategorize etmek için kullanılabilecek gülen ve üzgün yüz içeren bir tablo.

Gömlemelerle sınıflandırma

Sıfır örnekli sınıflandırma:
- Etiketli veri kullanılmaz

Süreç:

Sınıf açıklamalarını gömle

Vektör uzayında gömülü sınıf açıklamaları.

Gömlemelerle sınıflandırma

Sıfır örnekli sınıflandırma:
- Etiketli veri kullanılmaz

Süreç:

Sınıf açıklamalarını gömle
Sınıflandırılacak öğeyi gömle
Kosinüs uzaklıklarını hesapla

Vektör uzayında gömülü sınıf açıklamaları ve gösterilen bilinmeyen bir vektör.

Gömlemelerle sınıflandırma

Sıfır örnekli sınıflandırma:
- Etiketli veri kullanılmaz

Süreç:

Sınıf açıklamalarını gömle
Sınıflandırılacak öğeyi gömle
Kosinüs uzaklıklarını hesapla
En benzer etiketi ata

Vektör uzayında gömülü sınıf açıklamaları ve Tech etiketi atanan bilinmeyen bir vektör.

Sınıf açıklamalarını gömme

topics = [
  {'label': 'Tech'},
  {'label': 'Science'},
  {'label': 'Sport'},
  {'label': 'Business'},
]


class_descriptions = [topic['label'] for topic in topics]

class_embeddings = create_embeddings(class_descriptions)

Sınıflandırılacak öğeyi gömme

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}


def create_article_text(article):
  return f"""Headline: {article['headline']}
Keywords: {', '.join(article['keywords'])}"""

article_text = create_article_text(article)

article_embeddings = create_embeddings(article_text)[0]

Kosinüs uzaklıklarını hesapla

def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(query_vector, embedding)
    distances.append({"distance": dist, "index": index})
  return min(distances, key=lambda x: x["distance"])


closest = find_closest(article_embeddings, class_embeddings)

En benzer etiketi çıkar

label = topics[closest['index']]['label']

print(label)

Business

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}

Sınırlama:

Sınıf açıklamaları yeterince ayrıntılı değildi

Daha ayrıntılı açıklamalar

topics = [
  {'label': 'Tech', 'description': 'A news article about technology'},
  {'label': 'Science', 'description': 'A news article about science'},
  {'label': 'Sport', 'description': 'A news article about sports'},
  {'label': 'Business', 'description': 'A news article about business'},
]


class_descriptions = [topic['description'] for topic in topics]
class_embeddings = create_embeddings(class_descriptions)

[...]
label = topics[closest['index']]['label']
print(label)

Tech

Hadi pratik yapalım!

OpenAI API ile Embeddings’e Giriş