Vector Databases: Pinecone, Weaviate & pgvector · درس

التضمينات: المفهوم الأساسي

استكشفوا ماهية التضمينات وكيف تمثّل البيانات في فضاء متجهي، ودورها في حسابات التشابه.

التضمينات: المفهوم الأساسي درس مجاني في Vector Databases: Pinecone, Weaviate & pgvector على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Vector Databases: Pinecone, Weaviate & pgvector، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Vector Databases: Pinecone, Weaviate & pgvector 4 دروس في المجموع.

بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.

Meet Embeddings!

Embeddings are digital fingerprints for your data — they turn words, images, or whole documents into vectors that capture meaning and context.

Why Do We Need Them?

Computers understand numbers, not raw language or images. Embeddings bridge that gap, giving the machine a numerical description it can actually process.

Your Data's New Home: Vector Space

An embedding lives in a vector space — a coordinate system with many dimensions. Each piece of data is a point, and similar items sit closer together.

Understanding Vectors

A vector is just an ordered list of numbers like [0.1, 0.5, -0.2, 0.8]. Each number captures a learned feature — not usually human-readable on its own.

How Data Becomes a Vector

An embedding model does the conversion: it processes your input and outputs a vector encoding its meaning. Similar meanings produce numerically similar vectors.

Dimensions: More Than Just 3D!

Embeddings often have hundreds or thousands of dimensions — think 768 or 1536. More dimensions capture finer nuance in the data's meaning.

Finding Similarities with Vectors

Here's the power: data with similar meaning produces vectors that sit close in the space, while unrelated data lands far apart. That proximity drives search.

How Do We Measure "Closeness"?

We measure closeness with distance metrics. Cosine similarity compares the angle between vectors; Euclidean distance measures the straight line between them.

Vectors: A Numerical Representation

Real embeddings come from complex models, but we can sketch vectors in code — notice how similar concepts get numerically similar values.

def main():
    # Simplified example: Not actual embeddings generated by a model
    # Imagine these numbers capture semantic features or attributes.
    
    # Vector for a 'cat' (e.g., furry, small, pet, meows)
    vector_cat = [0.7, 0.3, 0.1, 0.9]
    
    # Vector for a 'dog' (e.g., furry, medium, pet, barks)
    vector_dog = [0.6, 0.4, 0.2, 0.8]
    
    # Vector for a 'car' (e.g., machine, transport, engine, fast)
    vector_car = [0.1, 0.9, 0.8, 0.2]

    print(f"Vector for 'Cat': {vector_cat}")
    print(f"Vector for 'Dog': {vector_dog}")
    print(f"Vector for 'Car': {vector_car}")

    # In a real vector space, the 'cat' and 'dog' vectors
    # would be much closer to each other than to the 'car' vector.

if __name__ == "__main__":
    main()

Check Your Understanding

Let's quickly test what you've learned about embeddings.

Recap: Your Data's Digital Fingerprint

Recap: embeddings are numeric vectors of complex data that let computers process meaning. They live in a vector space where proximity means similarity, measured by metrics like cosine.

الأسئلة الشائعة

هل درس «التضمينات: المفهوم الأساسي» مجاني؟

نعم — نص درس «التضمينات: المفهوم الأساسي» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Vector Databases: Pinecone, Weaviate & pgvector، انتقل إلى CoddyKit PRO. تتضمن دورة Vector Databases: Pinecone, Weaviate & pgvector 4 دروس في المجموع.

ماذا ستتعلم في «التضمينات: المفهوم الأساسي»؟

استكشفوا ماهية التضمينات وكيف تمثّل البيانات في فضاء متجهي، ودورها في حسابات التشابه. تتمرن على Vector Databases: Pinecone, Weaviate & pgvector مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Vector Databases: Pinecone, Weaviate & pgvector؟

لا تُشترط خبرة سابقة. Vector Databases: Pinecone, Weaviate & pgvector على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.

كم من الوقت يستغرق درس «التضمينات: المفهوم الأساسي»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Vector Databases: Pinecone, Weaviate & pgvector هذا؟

نعم. كل درس في Vector Databases: Pinecone, Weaviate & pgvector يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Vector Databases: Pinecone, Weaviate & pgvector