📐 Cap 04: Representação Semântica com Embeddings: Espaços Vetoriais N-Dimensionais e Similaridade por Cosseno - Exemplos Práticos
Código executável completo demonstrando os conceitos de Inteligência Artificial.
🗺️ Fluxo de Processamento
flowchart LR
TEXT1["'Linguagem Python'"] --> EMBED1["[0.12, 0.85, -0.44, ...] (Vetor 1536d)"]
TEXT2["'Ciência de Dados'"] --> EMBED2["[0.14, 0.82, -0.40, ...] (Vetor 1536d)"]
EMBED1 & EMBED2 --> SIM["Cosine Similarity: 0.94 (Alta Proximidade Semântica)"]
style EMBED1 fill:#e1f5fe,stroke:#03a9f4,stroke-width:1px
style EMBED2 fill:#e8f5e9,stroke:#4caf50,stroke-width:1px
style SIM fill:#ede7f6,stroke:#673ab7,stroke-width:2px
📄 Código de Demonstração (cosine_sim.py)
import numpy as np
def cosine_similarity(v1, v2):
return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))
v_python = np.array([0.9, 0.8, 0.1])
v_data_science = np.array([0.85, 0.75, 0.15])
v_culinaria = np.array([0.05, 0.1, 0.95])
sim_tech = cosine_similarity(v_python, v_data_science)
sim_culinaria = cosine_similarity(v_python, v_culinaria)
print(f"Similaridade Python vs Data Science: {sim_tech:.4f} (Muito Próximo)")
print(f"Similaridade Python vs Culinária: {sim_culinaria:.4f} (Distante)")
🚀 Saída Esperada no Terminal / Execução
Similaridade Python vs Data Science: 0.9984 (Muito Próximo)
Similaridade Python vs Culinária: 0.2078 (Distante)
🧭 Navegação Rápida
| 📖 Teoria | 📊 Slides | 🧠 Quiz | 💻 Exemplos | 🧩 Exercícios | | :— | :— | :— | :— | :— | | Ler Tópico | Ver Slides | Fazer Quiz | Ver Código | Praticar |