# Gömme Atlası

[Embedding Atlas](https://apple.github.io/embedding-atlas/), büyük gömme uzaylarını keşfetmek için kullanılan etkileşimli bir görselleştirme aracıdır. Gömme verilerini ilişkili meta verilerle birlikte görselleştirmenize, çapraz filtrelemenize ve aramanıza olanak tanır; bu sayede yüksek boyutlu verilerdeki örüntüleri ve ilişkileri anlamanıza yardımcı olur. Tüm hesaplama işlemleri bilgisayarınızda gerçekleşir; bu da verilerinizin gizli ve güvenli kalmasını sağlar.

Statik Space olarak barındırılan [MegaScience](https://huggingface.co/datasets/MegaScience/MegaScience) veri seti için bir [örnek atlas](https://huggingface.co/spaces/davanstrien/megascience) aşağıdadır:

  
    
  

## Öne Çıkan Özellikler

- **Etkileşimli keşif**: Milyonlarca gömme arasında akıcı ve tepkisel görselleştirme ile gezinin
- **Tarayıcı tabanlı hesaplama**: Verileri dış sunuculara göndermeden gömme ve projeksiyonları yerel olarak hesaplayın
- **Çapraz filtreleme**: Birden çok meta veri sütunu arasında verileri bağlayın ve filtreleyin
- **Arama yetenekleri**: Verilen bir sorguya veya mevcut bir öğeye benzer veri noktalarını bulun
- **Birçok entegrasyon seçeneği**: Komut satırı, Jupyter widget'ları veya web arayüzü üzerinden kullanın

## Ön koşullar

Öncelikle Embedding Atlas'ı yükleyin:

```bash
pip install embedding-atlas
```

Hugging Face Hub'dan özel veri setleri yüklemeyi planlıyorsanız, ayrıca [Hugging Face hesabınızla oturum açmanız](/docs/huggingface_hub/quick-start#login) gerekir:

```bash
hf auth login
```

## Hub'dan Veri Setleri Yükleme

Embedding Atlas, Hugging Face Hub ile sorunsuz bir entegrasyon sağlar ve herhangi bir veri setinden gelen gömme (embedding) verilerini doğrudan görselleştirmenize olanak tanır.

### Komut Satırını Kullanma

Bir Hugging Face veri setini görselleştirmenin en basit yolu, komut satırı arayüzünü kullanmaktır. Bunu IMDB veri setiyle deneyin:

```bash
# Load the IMDB dataset from the Hub
embedding-atlas stanfordnlp/imdb

# Specify the text column for embedding computation
embedding-atlas stanfordnlp/imdb --text "text"

# Load only a sample for faster exploration
embedding-atlas stanfordnlp/imdb --text "text" --sample 5000
```

Kendi veri setleriniz için aynı kalıbı kullanın:

```bash
# Load your dataset from the Hub
embedding-atlas username/dataset-name

# Load multiple splits
embedding-atlas username/dataset-name --split train --split test

# Specify custom text column
embedding-atlas username/dataset-name --text "content"
```

### Python ve Jupyter Kullanarak

Jupyter defterlerinde etkileşimli keşif için Embedding Atlas'ı da kullanabilirsiniz:

```python
from embedding_atlas.widget import EmbeddingAtlasWidget
from datasets import load_dataset
import pandas as pd

# Load the IMDB dataset from Hugging Face Hub
dataset = load_dataset("stanfordnlp/imdb", split="train[:5000]")

# Convert to pandas DataFrame
df = dataset.to_pandas()

# Create interactive widget
widget = EmbeddingAtlasWidget(df)
widget
```

Kendi veri setleriniz için:

```python
from embedding_atlas.widget import EmbeddingAtlasWidget
from datasets import load_dataset
import pandas as pd

# Load your dataset from the Hub
dataset = load_dataset("username/dataset-name", split="train")
df = dataset.to_pandas()

# Create interactive widget
widget = EmbeddingAtlasWidget(df)
widget
```

### Hazır Hesaplanmış Gömlemlerle Çalışma

Önceden hesaplanmış gömme (embedding) içeren veri setleriniz varsa, bunları doğrudan yükleyebilirsiniz:

```bash
# Load dataset with pre-computed coordinates
embedding-atlas username/dataset-name \
    --x "embedding_x" \
    --y "embedding_y"

# Load with pre-computed nearest neighbors
embedding-atlas username/dataset-name \
    --neighbors "neighbors_column"
```

## Gömleştirmeleri Özelleştirme

Embedding Atlas varsayılan olarak [SentenceTransformers](https://huggingface.co/sentence-transformers) kullanır ancak özel gömme modellerini destekler:

```bash
# Use a specific embedding model
embedding-atlas stanfordnlp/imdb \
    --text "text" \
    --model "sentence-transformers/all-MiniLM-L6-v2"

# For models requiring remote code execution
embedding-atlas username/dataset-name \
    --model "custom/model" \
    --trust-remote-code
```

### UMAP Projeksiyon Parametreleri

Belirli kullanım durumunuz için boyut indirgemeyi ince ayarlayın:

```bash
embedding-atlas stanfordnlp/imdb \
    --text "text" \
    --umap-n-neighbors 30 \
    --umap-min-dist 0.1 \
    --umap-metric "cosine"
```

## Kullanım Senaryoları

### Metin Veri Setlerini Keşfetme

Küme, aykırı değer ve örüntüleri belirlemek için metin korpüslerini görselleştirin ve keşfedin:

```python
from embedding_atlas.widget import EmbeddingAtlasWidget
from datasets import load_dataset
import pandas as pd

# Load a text classification dataset
dataset = load_dataset("stanfordnlp/imdb", split="train[:5000]")
df = dataset.to_pandas()

# Visualize with metadata
widget = EmbeddingAtlasWidget(df)
widget
```

## Ek Kaynaklar

- [Embedding Atlas GitHub Deposu](https://github.com/apple/embedding-atlas)
- [Resmi Dokümantasyon](https://apple.github.io/embedding-atlas/)
- [Etkileşimli Demo](https://apple.github.io/embedding-atlas/upload/)
- [Komut Satırı Referansı](https://apple.github.io/embedding-atlas/tool.html)