Vector Databases: Pinecone, Weaviate & pgvector · درس

شرح البحث عن التشابه

افهموا الخوارزميات والآليات الكامنة وراء العثور على العناصر المتشابهة باستخدام مقاييس المسافة المتجهية.

شرح البحث عن التشابه درس مجاني في Vector Databases: Pinecone, Weaviate & pgvector على CoddyKit. هذا هو الدرس 3 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.

Finding What's Alike

You know vectors and embeddings — now see how vector databases use them to find items that are alike. That process is similarity search.

Vectors: Your Data's Coordinates

An embedding is just coordinates in a space, like [0.1, 0.5, -0.2]. Similarity search compares them: close coordinates mean similar original items.

The Idea of 'Distance'

We measure closeness with distance metrics — formulas that return a number for how far apart two vectors are. Smaller distance, more similar.

Euclidean Distance: Straight Line

Euclidean distance is the most intuitive: the straight-line length between two points. It shines when a vector's magnitude matters for similarity.

Euclidean in Action

Here's how to compute Euclidean distance between two simple 2D vectors in code.

import math

def euclidean_distance(v1, v2):
    # Calculates the square root of the sum of squared differences
    return math.sqrt(sum((x - y)**2 for x, y in zip(v1, v2)))

# Example vectors
vec_a = [1, 2]
vec_b = [4, 6]

distance = euclidean_distance(vec_a, vec_b)
print(f"Vector A: {vec_a}")
print(f"Vector B: {vec_b}")
print(f"Euclidean Distance: {distance:.2f}")

Cosine Similarity: Angle Matters

Cosine similarity measures the angle between vectors — whether they point the same way. Great for text, since it tracks theme over length and ignores magnitude.

Cosine in Action

A cosine similarity near 1 means the vectors are closely aligned, so more similar in direction. See it in action here.

import math

def dot_product(v1, v2):
    return sum(x * y for x, y in zip(v1, v2))

def magnitude(v):
    return math.sqrt(sum(x**2 for x in v))

def cosine_similarity(v1, v2):
    dp = dot_product(v1, v2)
    mag1 = magnitude(v1)
    mag2 = magnitude(v2)
    if mag1 == 0 or mag2 == 0:
        return 0 # Handle zero vectors
    return dp / (mag1 * mag2)

# Example vectors
vec_x = [1, 1] # Direction 45 degrees
vec_y = [2, 2] # Same direction, larger magnitude
vec_z = [-1, 1] # Different direction

sim_xy = cosine_similarity(vec_x, vec_y)
sim_xz = cosine_similarity(vec_x, vec_z)

print(f"Cosine Similarity (X, Y): {sim_xy:.2f}")
print(f"Cosine Similarity (X, Z): {sim_xz:.2f}")

Beyond Euclidean & Cosine

Beyond Euclidean and cosine, other metrics exist: Manhattan distance sums absolute differences, dot product measures projection. Pick what 'similar' means for your data.

How Vector DBs Search

Vector DBs don't compute distances one by one — too slow for millions. They use indexing structures, like a library catalog for vectors, to narrow the search fast.

Approximate Nearest Neighbor (ANN)

Most vector DBs use Approximate Nearest Neighbor (ANN) search: instead of the exact closest vector, they return ones very close — trading a little accuracy for huge speed.

Quick Check: Which Metric?

You're building a system to find articles with similar themes, even if one article is much longer than another. Which similarity metric would generally be most appropriate?

Recap: Your Similarity Search Toolkit

Recap: similarity search compares vectors via distance metrics — Euclidean (magnitude-sensitive) and cosine (angle, robust to length) — sped up by indexes and ANN.

الأسئلة الشائعة

هل درس «شرح البحث عن التشابه» مجاني؟

نعم — نص درس «شرح البحث عن التشابه» 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 «شرح البحث عن التشابه»؟

افهموا الخوارزميات والآليات الكامنة وراء العثور على العناصر المتشابهة باستخدام مقاييس المسافة المتجهية. 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 3 من أصل 4.

كم من الوقت يستغرق درس «شرح البحث عن التشابه»؟

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