#machine-learning

Matemáticas de evaluación de clasificadores como API, calculadas local y determinísticamente. El endpoint de confusión convierte las cuatro celdas de una matriz de confusión binaria — verdaderos y falsos positivos y negativos — en el conjunto completo de métricas: exactitud, precisión, recuperación (sensibilidad), especificidad, puntuación F1, coeficiente de correlación de Matthews (robusto ante desequilibrio de clases), exactitud balanceada, valor predictivo negativo, tasas de falsos positivos y falsos negativos, y prevalencia. El endpoint de diagnóstico aplica el teorema de Bayes a una prueba médica o de cribado: a partir de su sensibilidad, especificidad y prevalencia (probabilidad pre-prueba) proporciona los valores predictivos positivo y negativo, los cocientes de probabilidad positivo y negativo y la razón de momios diagnóstica. El endpoint fbeta calcula la puntuación Fβ a partir de precisión y recuperación (o de los recuentos brutos) para cualquier β — β = 1 es F1, β mayor pondera la recuperación, β menor pondera la precisión. Las métricas cuyo denominador es cero se devuelven como null en lugar de generar un error. Todo se calcula local y determinísticamente, por lo que es instantáneo y privado. Ideal para desarrolladores de aplicaciones de aprendizaje automático, ciencia de datos, pruebas médicas y analítica, herramientas de evaluación de modelos y cribado, y educación en estadística. Cálculo local puro — sin clave, sin servicio de terceros, instantáneo. En vivo, nada almacenado. 3 endpoints. Esto es evaluación de clasificadores; para estadísticas descriptivas y regresión use una API de estadísticas y para pruebas de hipótesis una API de inferencia.

api.oanor.com/classifier-api

El Hugging Face Hub como API: el registro central y abierto de modelos y conjuntos de datos de aprendizaje automático que impulsa gran parte del ecosistema moderno de IA. Esta API envuelve el hub público huggingface.co en JSON limpio. /v1/models busca los modelos del Hub y te permite filtrar por tarea (pipeline_tag — p. ej., text-generation, text-to-image, image-classification, automatic-speech-recognition, sentence-similarity) y por biblioteca (transformers, diffusers, sentence-transformers, …), ordenados por descargas, me gusta, última modificación, fecha de creación o puntuación de tendencia — cada modelo devuelto con su id, autor, tarea, biblioteca, recuento de descargas y me gusta, licencia, etiquetas y marcas de tiempo. /v1/model?id=google-bert/bert-base-uncased devuelve los metadatos completos de un solo modelo. /v1/datasets busca conjuntos de datos de ML de la misma manera, y /v1/dataset?id=ILSVRC/imagenet-1k devuelve los metadatos de un solo conjunto de datos. Los ids tienen la forma org/nombre (tómalos de los endpoints de búsqueda). Ideal para herramientas de ML y MLOps, sitios de descubrimiento y comparación de modelos, tableros de clasificación y paneles de IA, y asistentes de IA que recomiendan modelos. Los datos provienen del Hugging Face Hub público (gratuito para usar). Este es el centro de modelos y conjuntos de datos de IA/ML, distinto de los registros de paquetes de software (npm, PyPI, Maven, NuGet) y los índices de artículos académicos (arXiv).

api.oanor.com/huggingface-api

Detecta rostros humanos en una imagen y analiza cada uno con aprendizaje automático en el dispositivo: obtén el cuadro delimitador y la confianza de detección, una edad estimada, el género predicho con su probabilidad y la expresión facial dominante junto con el desglose completo por expresión (neutral, feliz, triste, enojado, temeroso, disgustado y sorprendido). Un endpoint ligero de recuento devuelve solo el número de rostros y sus cuadros para un filtrado rápido. Proporciona una imagen mediante URL pública, base64 o un cuerpo de solicitud binario sin procesar; solo se aceptan URLs http/https públicas y se bloquean hosts privados o internos, y las imágenes grandes se reducen automáticamente. Se ejecuta localmente en TensorFlow (face-api) — sin terceros externos ni costo por imagen en la nube — con modelos cálidos que mantienen la inferencia rápida. Ideal para aplicaciones de fotos y avatares, análisis de audiencia, cámaras inteligentes, recorte automático y accesibilidad.

api.oanor.com/facedetect-api

Modera imágenes automáticamente con aprendizaje automático en el dispositivo. Clasifica cualquier imagen en cinco categorías — neutral, dibujo, sexy, pornografía y hentai — y recibe probabilidades por clase, la clase principal, una puntuación NSFW combinada y un veredicto claro (seguro, cuestionable o NSFW). Un endpoint de verificación más simple devuelve una decisión única de seguro/no seguro contra un umbral que tú eliges, ideal para puertas de carga y pipelines de contenido generado por usuarios. Proporciona una imagen mediante URL pública, base64 o un cuerpo de solicitud binario sin procesar; solo se aceptan URLs http/https públicas y se bloquean hosts privados o internos, y las imágenes grandes se reducen automáticamente. Se ejecuta localmente en TensorFlow (NSFWJS / MobileNetV2) — sin terceros upstream y sin costo por imagen en la nube — con un modelo caliente que mantiene la inferencia rápida. Ideal para plataformas comunitarias, mercados, aplicaciones de citas y chat, y cualquier servicio que acepte imágenes de usuarios.

api.oanor.com/nsfw-api