#machine-learning

Classifier-evaluation maths as an API, computed locally and deterministically. The confusion endpoint turns the four cells of a binary confusion matrix — true and false positives and negatives — into the full metric suite: accuracy, precision, recall (sensitivity), specificity, the F1 score, the Matthews correlation coefficient (robust to class imbalance), balanced accuracy, negative predictive value, the false-positive and false-negative rates and the prevalence. The diagnostic endpoint applies Bayes' theorem to a medical or screening test: from its sensitivity, specificity and the prevalence (pre-test probability) it gives the positive and negative predictive values, the positive and negative likelihood ratios and the diagnostic odds ratio. The fbeta endpoint computes the Fβ score from precision and recall (or from the raw counts) for any β — β = 1 is F1, larger β weights recall, smaller β weights precision. Metrics whose denominator is zero are returned as null rather than erroring. Everything is computed locally and deterministically, so it is instant and private. Ideal for machine-learning, data-science, medical-testing and analytics app developers, model-evaluation and screening tools, and statistics education. Pure local computation — no key, no third-party service, instant. Live, nothing stored. 3 endpoints. This is classifier evaluation; for descriptive statistics and regression use a statistics API and for hypothesis tests an inference API.

api.oanor.com/classifier-api

Hugging Face Hub como API — o registro central e aberto de modelos de machine learning e conjuntos de dados que impulsiona grande parte do ecossistema moderno de IA. Esta API encapsula o hub público huggingface.co em JSON limpo. /v1/models pesquisa os modelos do Hub e permite filtrar por tarefa (pipeline_tag — ex.: text-generation, text-to-image, image-classification, automatic-speech-recognition, sentence-similarity) e por biblioteca (transformers, diffusers, sentence-transformers, …), ordenados por downloads, curtidas, última modificação, data de criação ou pontuação de tendência — cada modelo retornado com seu id, autor, tarefa, biblioteca, contagem de downloads e curtidas, licença, tags e timestamps. /v1/model?id=google-bert/bert-base-uncased retorna os metadados completos de um único modelo. /v1/datasets pesquisa conjuntos de dados de ML da mesma forma, e /v1/dataset?id=ILSVRC/imagenet-1k retorna os metadados de um único conjunto de dados. Os IDs estão no formato org/nome (obtenha-os dos endpoints de pesquisa). Ideal para ferramentas de ML e MLOps, sites de descoberta e comparação de modelos, leaderboards e dashboards de IA, e assistentes de IA que recomendam modelos. Os dados vêm do Hugging Face Hub público (gratuito para uso). Este é o hub de modelos e conjuntos de dados de IA/ML — distinto de registros de pacotes de software (npm, PyPI, Maven, NuGet) e índices de artigos acadêmicos (arXiv).

api.oanor.com/huggingface-api

Detecte rostos humanos em uma imagem e analise cada um com aprendizado de máquina no dispositivo: obtenha a caixa delimitadora e a confiança da detecção, uma idade estimada, o gênero previsto com sua probabilidade e a expressão facial dominante juntamente com a discriminação completa por expressão (neutro, feliz, triste, com raiva, com medo, enojado e surpreso). Um endpoint leve de contagem retorna apenas o número de rostos e suas caixas para uma triagem rápida. Forneça uma imagem por URL pública, base64 ou corpo de solicitação binário bruto; apenas URLs http/https públicas são aceitas e hosts privados ou internos são bloqueados, e imagens grandes são redimensionadas automaticamente. Executa localmente no TensorFlow (face-api) — sem terceiros upstream e sem custo por imagem na nuvem — com modelos aquecidos que mantêm a inferência rápida. Ideal para aplicativos de fotos e avatares, análise de público, câmeras inteligentes, corte automático e acessibilidade.

api.oanor.com/facedetect-api

Moderate images automatically with on-device machine learning. Classify any image across five categories — neutral, drawing, sexy, porn and hentai — and receive per-class probabilities, the top class, a combined NSFW score and a clear verdict (safe, questionable or nsfw). A simpler check endpoint returns a single safe/unsafe decision against a threshold you choose, ideal for upload gates and user-generated-content pipelines. Supply an image by public URL, base64 or a raw binary request body; only public http/https URLs are accepted and private or internal hosts are blocked, and large images are downscaled automatically. Runs locally on TensorFlow (NSFWJS / MobileNetV2) — no third-party upstream and no per-image cloud cost — with a warm model that keeps inference fast. Ideal for community platforms, marketplaces, dating and chat apps, and any service that accepts user images.

api.oanor.com/nsfw-api