#machine-learning

Classifier-evaluatie wiskunde als een API, lokaal en deterministisch berekend. Het confusion-eindpunt zet de vier cellen van een binaire verwarringsmatrix — true en false positieven en negatieven — om in de volledige metrische suite: nauwkeurigheid, precisie, recall (sensitiviteit), specificiteit, de F1-score, de Matthews correlatiecoëfficiënt (robuust tegen klasse-onbalans), gebalanceerde nauwkeurigheid, negatief voorspellende waarde, de fout-positieve en fout-negatieve percentages en de prevalentie. Het diagnostische eindpunt past de stelling van Bayes toe op een medische of screeningstest: vanuit de sensitiviteit, specificiteit en prevalentie (pre-test waarschijnlijkheid) geeft het de positief en negatief voorspellende waarden, de positieve en negatieve waarschijnlijkheidsratio's en de diagnostische odds ratio. Het fbeta-eindpunt berekent de Fβ-score uit precisie en recall (of uit de ruwe aantallen) voor elke β — β = 1 is F1, grotere β weegt recall zwaarder, kleinere β weegt precisie zwaarder. Metrieken waarvan de noemer nul is, worden geretourneerd als null in plaats van een fout. Alles wordt lokaal en deterministisch berekend, dus het is onmiddellijk en privé. Ideaal voor machine-learning, data science, medische test- en analyse-app-ontwikkelaars, modelevaluatie en screeningtools, en statistiekonderwijs. Pure lokale berekening — geen sleutel, geen externe service, onmiddellijk. Live, niets opgeslagen. 3 eindpunten. Dit is classificatorevaluatie; voor beschrijvende statistiek en regressie gebruik je een statistiek-API en voor hypothesetests een inferentie-API.

api.oanor.com/classifier-api

De Hugging Face Hub als API — de centrale, open registry van machine-learning modellen en datasets die een groot deel van het moderne AI-ecosysteem aandrijft. Deze API verpakt de openbare huggingface.co Hub in schone JSON. /v1/models doorzoekt de modellen van de Hub en laat je filteren op taak (pipeline_tag — bijv. text-generation, text-to-image, image-classification, automatic-speech-recognition, sentence-similarity) en op bibliotheek (transformers, diffusers, sentence-transformers, …), gesorteerd op downloads, likes, last-modified, created of trending score — elk model wordt geretourneerd met zijn id, auteur, taak, bibliotheek, download- en like-aantallen, licentie, tags en tijdstempels. /v1/model?id=google-bert/bert-base-uncased retourneert de volledige metadata van één model. /v1/datasets doorzoekt ML-datasets op dezelfde manier, en /v1/dataset?id=ILSVRC/imagenet-1k retourneert de metadata van één dataset. Id's hebben de vorm org/naam (haal ze uit de zoekendpoints). Ideaal voor ML- en MLOps-tooling, modelontdekkings- en vergelijkingssites, AI-leaderboards en dashboards, en AI-assistenten die modellen aanbevelen. Gegevens komen van de openbare Hugging Face Hub (gratis te gebruiken). Dit is de AI/ML-model- en dataset-hub — te onderscheiden van softwarepakketregisters (npm, PyPI, Maven, NuGet) en academische artikelindexen (arXiv).

api.oanor.com/huggingface-api

Detecteer menselijke gezichten in een afbeelding en analyseer elk gezicht met on-device machine learning: verkrijg de begrenzingskader en een detectiebetrouwbaarheid, een geschatte leeftijd, het voorspelde geslacht met de bijbehorende waarschijnlijkheid, en de dominante gezichtsuitdrukking samen met de volledige uitsplitsing per expressie (neutraal, blij, verdrietig, boos, angstig, walgend en verrast). Een lichtgewicht count-eindpunt retourneert alleen het aantal gezichten en hun kaders voor snelle filtering. Lever een afbeelding via een openbare URL, base64 of een onbewerkte binaire aanvraagbody; alleen openbare http/https-URL's worden geaccepteerd en privé- of interne hosts worden geblokkeerd, en grote afbeeldingen worden automatisch verkleind. Draait lokaal op TensorFlow (face-api) — geen externe upstream en geen per-afbeelding cloudkosten — met warme modellen die de inferentie snel houden. Ideaal voor foto- en avatar-apps, publieksanalyse, slimme camera's, automatisch bijsnijden en toegankelijkheid.

api.oanor.com/facedetect-api

Modereer afbeeldingen automatisch met machine learning op het apparaat. Classificeer elke afbeelding in vijf categorieën — neutraal, tekening, sexy, porno en hentai — en ontvang per-klasse waarschijnlijkheden, de topklasse, een gecombineerde NSFW-score en een duidelijk oordeel (veilig, twijfelachtig of nsfw). Een eenvoudiger controle-eindpunt retourneert een enkele veilig/onveilig beslissing op basis van een door u gekozen drempelwaarde, ideaal voor uploadpoorten en door gebruikers gegenereerde contentpijplijnen. Lever een afbeelding via een openbare URL, base64 of een onbewerkt binair verzoeklichaam; alleen openbare http/https-URL's worden geaccepteerd en privé- of interne hosts worden geblokkeerd, en grote afbeeldingen worden automatisch verkleind. Draait lokaal op TensorFlow (NSFWJS / MobileNetV2) — geen externe partij en geen kosten per afbeelding in de cloud — met een warm model dat de inferentie snel houdt. Ideaal voor communityplatforms, marktplaatsen, dating- en chatapps, en elke service die gebruikersafbeeldingen accepteert.

api.oanor.com/nsfw-api