50多种适合机器学习和预测应用的API,你的选择是?(2018年版本)

简介: 本文盘点了2018年以来人脸和图像识别、文本分析、自然语言处理、情感分析、语言翻译、 机器学习和预测这几个领域常用的API,读者可以根据自己需求选择合适的API完成相应的任务。

       对于做工程项目和搞科研的人来说,有现成的模块或工具使用是一件多么美妙的事情啊,无需访问源码或理解内部工作机制的细节即可完成相应的任务。常用的方法是调用一些API,即一些预先定义的函数,目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力。本文总结对于机器学习行业者有用的50多个API,主要涉及的领域如下:

  • 人脸和图像识别(Face and Image Recognition)
  • 文本分析、自然语言处理、情感分析(Text Analysis, NLP, Sentiment Analysis)
  • 语言翻译(Language Translation)
  • 机器学习和预测(Machine Learning and prediction)

    1


       本文对每个研究领域都列出了一些主流的API,其排列顺序是根据字母顺序而来。

人脸和图像识别

  • 1.Animetrics Face Recognition:该API可用于检测图像中的人脸,并将其与已知的人脸数据集相匹配。此外,还可以从可搜索图库中添加或移除某个分类,或者是从某个分类中添加或删除某张面部图像。
  • 2.Betaface:该API提供人脸识别与WEB服务检测。识别的特征包括多人脸检测、人脸裁剪、123个人脸特征点检测、人脸验证与识别、以及在大数据库中进行相似性搜索。
  • 3.Eyedea Recognition:致力于提供高阶的计算机视觉解决方案,主要是对象检测和识别。其识别服务提供了眼睛、脸部、车辆、版权以及车牌检测。该API主要的价值在于可以对对象、用户和行为进行实时理解。
  • 4.Face++:提供面部识别和检测服务,用户可以调用该API来训练程序,人脸检测、人脸识别、群体人脸、创建人脸集、获取信息等。
  • 5.FaceMark:该API能够检测正面照上的68个特征点,以及面部轮廓照上的35个特征点。
  • 6.FaceRect:该API非常强大且免费。能够在正面照和轮廓照上检测人脸或多个人脸,还可以将检测结果以JSON格式输出,此外,该API可以显示检测到的眼睛、鼻子、嘴等面部特征。
  • 7.Google Cloud Vision API:发布在TensorFlow平台上,使得模型能够学习和预测图像的内容。此外,还可以帮助用户搜索到最爱的图像,快速、准确地获取它的注释。它还能够按照船、狮子、埃菲尔铁塔等分成数以千计的类别,检测面部的相关情绪,识别多种语言的印刷语。
  • 8.IBM Watson Visual Recognition:该API能够理解图像的内容,比如图像标记,检测人脸、年龄和性别预测,还可以进行人脸相似检测。此外,还可以利用该API根据自身任务开发相关服务。
  • 9.Imagga:该API能够自动为图像分配标签,以使得图像可被找到,它是基于图像识别平台服务的。
  • 10.Kairos:该平台方便开发者快速地在应用程序和服务中添加情感分析人脸识别
  • 11.Microsoft Cognitive Service - Computer Vision:该API可以基于输入或用户选择以不同的方式分析视觉内容。比如,基于内容标记图像、分类图像、检测人脸并返回坐标、识别特定区域的内容、生成内容描述、标识图像中的文本、标记成人内容。
  • 12.Skybiometry Face Detection and Recognition:该API提供人脸检测和识别服务,最新版的API还能够区分深色眼镜和透明眼镜。

文本分析、自然语言处理和情感分析

语言翻译

机器学习与预测

  • 1.Amazon Machine Learning:从数据中查找模式。该API的典型用法包括诈骗检测、需求预测、目标营销和点击预测等。
  • 2.BigML:提供云托管的机器学习和数据分析服务。用户可以建立一个数据源,并通过标准的HTTP创建模型来处理标准的有监督和无监督学习的机器学习任务。
  • 3.Google Cloud Prediction:提供REST API来构建机器学习模型。这些工具可以帮助分析数据以向应用程序中添加各种特征。
  • 4.co:为电子商务网站提供产品推荐引擎,准确地预测客户的意图。
  • 5.Hu:toma:帮助世界各地的开发者建立和构建商用级别的深度学习聊天机器人。
  • 6.IBM Watson Retrieve and Rank:开发人员可以将自定义数据加载到这个服务中,并使用相关算法来训练机器学习模型(Rank)。服务输出包括一系列相关文件和元数据。
  • 7.indico:提供文本分析和图像分析,该API免费使用且不需要任何的训练数据。
  • 8.Microsoft Azure Cognitive Service API:为顾客提供个性化的产品建议并提高销售量,新版本增加的一些功能,比如支持批量处理、更好的API资源管理器、更简洁的API接口等。
  • 9.Microsoft Azure Anomaly Detection API:检测异常事件序列数据,比如检测内存使用中是否存在内存泄露。
  • 10.Microsoft Cognitive Service - QnA Maker:将信息提炼为对话或易于浏览的形式。该组中的其它API提供包括学术知识实体链接知识探索等服务。
  • 11.Microsoft Cognitive Service - Speaker Recognition:使得应用程序具有检测当前说话者的能力。该组中的其它API提供包括Bing语言自定义识别等服务。
  • 12.MLJAR:为原型开和部署模式识别算法提供服务。
  • 13.NuPIC:基于Python和C++实现的Numenta's Cortical学习算法,并由nupic社区维护。该API允许开发人员使用原始算法,将多个区域串起来,并利用其它平台的功能。
  • 14.PredicSis:该API对大数据有很好的洞察力,并通过预测分析来改善营销业绩。
  • 15.PredictionIO:建立在Apache上的一个开源机器学习服务器。典型API方法包括创建、管理和用户记录、检索项目和内容、以及基于用户进行个性推荐等。
  • 16.RxNLP - Cluster Sentences and Short Texts:文本挖掘和自然语言处理服务器,其语句聚类API可以将长文本或短文本转换成逻辑组。
  • 17.Recombee:通过REST API提供数据挖掘、语言查询和机器学习算法服务。
    其它API可以参Mashape的博客以及Programmable Web网站。如果你有更好的API推荐,可以留言回复,十分感谢。

数十款阿里云产品限时折扣中,赶紧点击领劵开始云上实践吧!

作者信息

Pedro Lopez,数据科学家
个人主页:www.iampedrolopez.com
本文由阿里云云栖社区组织翻译。
文章原标题《50+ Useful Machine Learning & Prediction APIs, 2018 Edition》,译者:海棠,审校:Uncle_LLD。
文章为简译,更为详细的内容,请查看原文

相关文章
|
1天前
|
机器学习/深度学习 人工智能 算法
【机器学习】K-means聚类有哪些应用?
【5月更文挑战第11天】【机器学习】K-means聚类有哪些应用?
|
5天前
|
供应链 搜索推荐 API
API在电子商务中的应用与优势:深入解析
API是电子商务成功的关键,它们不仅促进了技术创新,还提高了用户体验和运营效率。随着技术的不断进步,API将继续在电子商务领域发挥更加重要的作用。电子商务平台通过利用API,可以更加灵活地适应市场变化,提供更加丰富和个性化的购物体验,最终实现业务的增长和扩展。
|
6天前
|
JSON API 数据格式
淘宝商品评论数据获取:从API调用到应用实践
在电商的世界里,用户评论是洞察商品质量的一扇窗。淘宝,作为中国最大的在线购物平台,其海量的商品评论数据尤为宝贵。本文将带您走进淘宝商品评论数据的获取之旅,从API调用的基础知识到实际应用的代码示例,一探究竟。
|
7天前
|
机器学习/深度学习 算法 数据挖掘
【C 言专栏】C 语言与机器学习的应用
【5月更文挑战第6天】C语言在机器学习中扮演关键角色,以其高效性、灵活性和可移植性实现底层算法、嵌入式系统和高性能计算。在神经网络、决策树和聚类算法等领域的实现中不可或缺。C语言被用于TensorFlow和OpenCV等知名库的底层,常与C++、Python结合使用。尽管面临开发难度和适应新算法的挑战,但C语言在机器学习领域的价值和潜力将持续展现,为科技进步贡献力量。
【C 言专栏】C 语言与机器学习的应用
|
10天前
|
机器学习/深度学习 运维 自然语言处理
探索机器学习在金融欺诈检测中的应用
【5月更文挑战第3天】 随着金融科技的迅猛发展,机器学习作为其核心推动力之一,正逐渐改变着我们对金融服务安全与效率的理解。本文将深入探讨机器学习技术在金融欺诈检测领域内的应用现状与前景。通过分析多种算法和实际案例,我们揭示了如何利用机器学习提高识别欺诈行为的准确率,降低金融机构的风险损失。同时,文章还将讨论在此过程中遇到的挑战及未来的发展趋势,为读者提供一个全面而深入的视角。
|
11天前
|
机器学习/深度学习 自然语言处理 算法
机器学习算法原理与应用:深入探索与实战
【5月更文挑战第2天】本文深入探讨机器学习算法原理,包括监督学习(如线性回归、SVM、神经网络)、非监督学习(聚类、PCA)和强化学习。通过案例展示了机器学习在图像识别(CNN)、自然语言处理(RNN/LSTM)和推荐系统(协同过滤)的应用。随着技术发展,机器学习正广泛影响各领域,但也带来隐私和算法偏见问题,需关注解决。
|
12天前
|
机器学习/深度学习 算法 自动驾驶
探索机器学习在图像识别中的应用
【5月更文挑战第1天】 随着人工智能技术的飞速发展,机器学习已成为其最活跃的分支之一。特别是在图像识别领域,机器学习技术已展现出强大的能力与广泛的应用前景。本文将深入探讨机器学习在图像识别中的关键作用,从基础原理到实际应用案例,剖析其背后的算法和模型。同时,我们将讨论当前面临的挑战和未来的发展趋势,为读者提供一个全景式的技术分享。
19 3
|
12天前
|
机器学习/深度学习 数据采集 人工智能
探索机器学习在金融欺诈检测中的应用
【4月更文挑战第30天】 随着金融科技的迅猛发展,机器学习技术在金融行业中的应用变得日益广泛。特别是在金融欺诈检测领域,机器学习以其强大的数据处理能力和智能识别功能,正逐渐成为防范和打击金融欺诈的重要工具。本文将深入探讨机器学习在金融欺诈检测中的关键作用,分析其优势及面临的挑战,并提出未来发展趋势。
|
12天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在图像识别中的应用与挑战探索机器学习中的自然语言处理技术
【4月更文挑战第30天】 随着人工智能技术的飞速发展,深度学习已经成为计算机视觉领域的核心动力。本文将探讨深度学习在图像识别任务中的关键技术、应用实例以及面临的主要挑战。我们将重点讨论卷积神经网络(CNN)的架构优化、数据增强技术以及迁移学习的策略,并通过具体案例分析其在医疗影像、自动驾驶和面部识别等领域的应用成效。同时,我们也将指出当前模型泛化能力不足、对抗性攻击以及算力资源需求等挑战,并提出潜在的解决方向。 【4月更文挑战第30天】 在人工智能领域,自然语言处理(NLP)是赋予机器理解和响应人类语言能力的关键技术。本文将深入探讨NLP的发展历程、核心技术及其在不同领域的应用案例。我们将从
|
12天前
|
机器学习/深度学习 数据采集 算法
【Python 机器学习专栏】机器学习在医疗诊断中的前沿应用
【4月更文挑战第30天】本文探讨了机器学习在医疗诊断中的应用,强调其在处理复杂疾病和大量数据时的重要性。神经网络、决策树和支持向量机等方法用于医学影像诊断、疾病预测和基因数据分析。Python作为常用工具,简化了模型构建和数据分析。然而,数据质量、模型解释性和伦理法律问题构成挑战,需通过数据验证、可解释性研究及建立规范来应对。未来,机器学习将更深入地影响医疗诊断,带来智能和精准的诊断工具,同时也需跨学科合作推动其健康发展。