#machine-learning

Klassifikator-Bewertungsmathematik als API, lokal und deterministisch berechnet. Der Confusion-Endpunkt wandelt die vier Zellen einer binären Konfusionsmatrix – wahre und falsche Positive und Negative – in die vollständige Metrik-Suite um: Genauigkeit, Präzision, Recall (Sensitivität), Spezifität, den F1-Score, den Matthews-Korrelationskoeffizienten (robust gegenüber Klassenungleichgewicht), balancierte Genauigkeit, negativen Vorhersagewert, die Falsch-Positiv- und Falsch-Negativ-Raten sowie die Prävalenz. Der Diagnostic-Endpunkt wendet das Bayes-Theorem auf einen medizinischen oder Screening-Test an: Aus seiner Sensitivität, Spezifität und der Prävalenz (Wahrscheinlichkeit vor dem Test) liefert er die positiven und negativen Vorhersagewerte, die positiven und negativen Likelihood-Quotienten und die diagnostische Odds-Ratio. Der Fbeta-Endpunkt berechnet den Fβ-Score aus Präzision und Recall (oder aus den Rohzahlen) für jedes β – β = 1 ist F1, größeres β gewichtet Recall, kleineres β gewichtet Präzision. Metriken, deren Nenner Null ist, werden als null zurückgegeben, anstatt einen Fehler zu verursachen. Alles wird lokal und deterministisch berechnet, daher ist es sofort und privat. Ideal für Entwickler von Machine-Learning-, Data-Science-, medizinischen Test- und Analyse-Apps, Modellbewertungs- und Screening-Tools sowie für die Statistikausbildung. Reine lokale Berechnung – kein Schlüssel, kein Drittanbieter-Dienst, sofort. Live, nichts wird gespeichert. 3 Endpunkte. Dies ist die Klassifikator-Bewertung; für deskriptive Statistiken und Regression verwenden Sie eine Statistik-API und für Hypothesentests eine Inferenz-API.

api.oanor.com/classifier-api

Der Hugging Face Hub als API – das zentrale, offene Register für maschinelle Lernmodelle und Datensätze, das einen Großteil des modernen KI-Ökosystems antreibt. Diese API verpackt den öffentlichen huggingface.co Hub in sauberes JSON. /v1/models durchsucht die Modelle des Hubs und ermöglicht die Filterung nach Aufgabe (pipeline_tag – z. B. text-generation, text-to-image, image-classification, automatic-speech-recognition, sentence-similarity) und nach Bibliothek (transformers, diffusers, sentence-transformers, …), sortiert nach Downloads, Likes, letzter Änderung, Erstellungsdatum oder Trend-Score – jedes Modell wird mit seiner ID, Autor, Aufgabe, Bibliothek, Download- und Like-Zahlen, Lizenz, Tags und Zeitstempeln zurückgegeben. /v1/model?id=google-bert/bert-base-uncased gibt die vollständigen Metadaten eines einzelnen Modells zurück. /v1/datasets durchsucht ML-Datensätze auf die gleiche Weise, und /v1/dataset?id=ILSVRC/imagenet-1k gibt die Metadaten eines einzelnen Datensatzes zurück. IDs liegen im Format org/name vor (entnehmen Sie sie den Such-Endpunkten). Ideal für ML- und MLOps-Tools, Modellentdeckungs- und Vergleichsseiten, KI-Bestenlisten und Dashboards sowie KI-Assistenten, die Modelle empfehlen. Die Daten stammen vom öffentlichen Hugging Face Hub (kostenlos nutzbar). Dies ist der KI/ML-Modell- und Datensatz-Hub – abzugrenzen von Software-Paketregistern (npm, PyPI, Maven, NuGet) und akademischen Paper-Indizes (arXiv).

api.oanor.com/huggingface-api

Erkennen Sie menschliche Gesichter in einem Bild und analysieren Sie jedes mit maschinellem Lernen auf dem Gerät: Erhalten Sie den Begrenzungsrahmen und eine Erkennungskonfidenz, ein geschätztes Alter, das vorhergesagte Geschlecht mit seiner Wahrscheinlichkeit und den dominanten Gesichtsausdruck zusammen mit der vollständigen Aufschlüsselung pro Ausdruck (neutral, glücklich, traurig, wütend, ängstlich, angewidert und überrascht). Ein leichter Zähl-Endpunkt gibt nur die Anzahl der Gesichter und deren Rahmen für schnelles Gating zurück. Geben Sie ein Bild per öffentlicher URL, Base64 oder einem rohen Binär-Anforderungstext an; nur öffentliche http/https-URLs werden akzeptiert und private oder interne Hosts werden blockiert, und große Bilder werden automatisch verkleinert. Läuft lokal auf TensorFlow (face-api) — kein Drittanbieter-Upstream und keine Kosten pro Bild in der Cloud — mit warmen Modellen, die die Inferenz schnell halten. Ideal für Foto- und Avatar-Apps, Zielgruppenanalysen, intelligente Kameras, automatisches Zuschneiden und Barrierefreiheit.

api.oanor.com/facedetect-api

Moderieren Sie Bilder automatisch mit maschinellem Lernen auf dem Gerät. Klassifizieren Sie jedes Bild in fünf Kategorien – neutral, Zeichnung, sexy, Porno und Hentai – und erhalten Sie Wahrscheinlichkeiten pro Klasse, die beste Klasse, einen kombinierten NSFW-Score und ein klares Urteil (sicher, fragwürdig oder nsfw). Ein einfacherer Prüfendpunkt gibt eine einzelne sichere/unsichere Entscheidung gegen einen von Ihnen gewählten Schwellenwert zurück, ideal für Upload-Gates und benutzergenerierte Inhalte-Pipelines. Geben Sie ein Bild per öffentlicher URL, Base64 oder rohem Binär-Anforderungstext an; nur öffentliche http/https-URLs werden akzeptiert und private oder interne Hosts werden blockiert, und große Bilder werden automatisch verkleinert. Läuft lokal auf TensorFlow (NSFWJS / MobileNetV2) – kein Drittanbieter-Upstream und keine Kosten pro Bild in der Cloud – mit einem warmen Modell, das die Inferenz schnell hält. Ideal für Community-Plattformen, Marktplätze, Dating- und Chat-Apps sowie jeden Dienst, der Benutzerbilder akzeptiert.

api.oanor.com/nsfw-api