Анализ сайта cv4planet.github.io
Основное Готовность: 95%
Домен
cv4planet.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://cv4planet.github.io
301 MovedPermanently
https://cv4planet.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 09.01.2027 2:59:59.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,42сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,42сек оптимальна.
Объем документа
30Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 30Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://maxcdn.bootstrapcdn.com/bootstrap/3.2.0/css/bootstrap.min.css | |
| stylesheet | text/css | css/style.css |
Серверные заголовки
Кол-во: 18
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "681106f3-7b4a" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 3358:0A46:145ACC:15FFEB:6A895BDC |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 08:20:44 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270061-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787386845.610333,VS0,VE135 |
| Vary | Accept-Encoding |
| x-fastly-request-id | f21d7a4448d96fe384423c218418d6466a3a8e9d |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 17%
Title
6.S954 Computer Vision and Planetary Health, Spring 2025
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо уменьшить число символов в title (текущее значение: 56, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 62%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Ошибок нет
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 8 встречаются в тексте достаточно.
Абзацев с текстом 13 достаточно.
Среднее число слов в абзаце 20 достаточно.
Кол-во знаков контента 13513 на странице оптимально.
Кол-во слов 1975 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h2> 5. Это хорошо.
На странице присутствуют заголовки <h3> 6.
Тошнота
5,57
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
20,81%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| learning | 31 | 1,57% |
| presentations | 26 | 1,32% |
| student | 25 | 1,27% |
| project | 14 | 0,71% |
| biodiversity | 14 | 0,71% |
| slides | 10 | 0,51% |
| active | 8 | 0,41% |
| species | 8 | 0,41% |
| recognition | 8 | 0,41% |
| machine | 7 | 0,35% |
| long-tailed | 7 | 0,35% |
| course | 6 | 0,30% |
| fine-grained | 6 | 0,30% |
| human-ai | 6 | 0,30% |
| research | 6 | 0,30% |
| models | 6 | 0,30% |
| neural | 6 | 0,30% |
| imbalanced | 5 | 0,25% |
| selective | 5 | 0,25% |
| prediction | 5 | 0,25% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 105 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 10
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 10 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /lectures/Lecture 1_ Course Overview.pdf |
Slides
|
|
|
| /lectures/Lecture 2_ What is Biodiversity_.pdf |
Slides
|
|
|
| /lectures/Lecture-3-Data-imbalance-finegrained.pdf |
Slides
|
|
|
| /lectures/Lecture 4_ Open-Set Learning.pdf |
Slides
|
|
|
| /lectures/Lecture 5_ Distribution shift and Distributional robustness.pdf |
Slides
|
|
|
| /lectures/Lecture 6_ Domain Adaptation and Specialization.pdf |
Slides
|
|
|
| /lectures/Lecture 7_ Efficiency.pdf |
Slides
|
|
|
| /lectures/Lecture 8_ Active Learning & Selective Prediction.pdf |
Slides
|
|
|
| /lectures/Lecture 9_ Active Inference, Testing, and Decision Support.pdf |
Slides
|
|
|
| /lectures/Lecture 10_ Multimodality - X and Language.pdf |
Slides
|
|
Внешние ссылки
Кол-во: 94
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 94 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| beerys.github.io |
<b>Sara Beery</b>
|
Анализировать url |
| justinkay.github.io |
<b>Justin Kay</b>
|
Анализировать url |
| piazza.com |
Piazza
|
Анализировать url |
| canvas.mit.edu |
Canvas
|
Анализировать url |
| gpai.ai |
Biodiversity and AI: Opportunities and recommendations for action (GPAI report)
|
Анализировать url |
| nature.com |
Perspectives in machine learning for wildlife conservation
|
Анализировать url |
| arxiv.org |
Tackling Climate Change with Machine Learning
|
Анализировать url |
| science.org |
The Future of Biodiversity
|
Анализировать url |
| annualreviews.org |
Seven Shortfalls that Beset Knowledge of Biodiversity
|
Анализировать url |
| science.org |
The Functions of Biological Diversity in an Age of Extinction
|
Анализировать url |
| aeaweb.org |
The Social Costs of Keystone Species Collapse: Evidence from the Decline of Vultures in India
|
Анализировать url |
| nature.com |
Getting the measure of biodiversity
|
Анализировать url |
| journals.plos.org |
Darwin Core: An Evolving Community-Developed Biodiversity Data Standard
|
Анализировать url |
| nature.com |
Essential biodiversity variables for mapping species populations
|
Анализировать url |
| sciencedirect.com |
Taking stock of nature: Essential biodiversity variables explained
|
Анализировать url |
| nature.com |
Anthropogenic climate and land-use change drive short- and long-term biodiversity shifts across taxa
|
Анализировать url |
| arxiv.org |
The iNaturalist Species Classification and Detection Dataset
|
Анализировать url |
| openaccess.thecvf.com |
Building a Bird Recognition App and Large Scale Dataset With Citizen Scientists: The Fine Print in Fine-Grained Dataset Collection
|
Анализировать url |
| florian-schroff.de |
Caltech-UCSD Birds 200
|
Анализировать url |
| arxiv.org |
LVIS: A Dataset for Large Vocabulary Instance Segmentation
|
Анализировать url |
| arxiv.org |
Class-Balanced Loss Based on Effective Number of Samples
|
Анализировать url |
| arxiv.org |
Fill-Up: Balancing Long-Tailed Data with Generative Models
|
Анализировать url |
| arxiv.org |
Balanced Contrastive Learning for Long-Tailed Visual Recognition
|
Анализировать url |
| arxiv.org |
Focal Loss for Dense Object Detection
|
Анализировать url |
| proceedings.mlr.press |
Understanding Contrastive Representation Learning through
Alignment and Uniformity on the Hypersphere
|
Анализировать url |
| cv-foundation.org |
FaceNet: A Unified Embedding for Face Recognition and Clustering
|
Анализировать url |
| arxiv.org |
WildlifeDatasets: An open-source toolkit for animal re-identification
|
Анализировать url |
| arxiv.org |
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
|
Анализировать url |
| arxiv.org |
Long-tailed Recognition by Routing Diverse Distribution-Aware Experts
|
Анализировать url |
| arxiv.org |
Detecting Mammals in UAV Images: Best Practices to address a substantially Imbalanced Dataset with Deep Learning
|
Анализировать url |
| arxiv.org |
Generalized Out-of-Distribution Detection: A Survey
|
Анализировать url |
| openaccess.thecvf.com |
From Coarse to Fine-Grained Open-Set Recognition
|
Анализировать url |
| ieeexplore.ieee.org |
Zero-Shot Learning—A Comprehensive Evaluation of the Good, the Bad and the Ugly
|
Анализировать url |
| arxiv.org |
Labeled Data Selection for Category Discovery
|
Анализировать url |
| nature.com |
Three types of incremental learning
|
Анализировать url |
| openaccess.thecvf.com |
Large-Scale Long-Tailed Recognition in an Open World
|
Анализировать url |
| nature.com |
Taxonomic bias in biodiversity data and societal preferences
|
Анализировать url |
| arxiv.org |
WILDS: A Benchmark of in-the-Wild Distribution Shifts
|
Анализировать url |
| arxiv.org |
Recognition in Terra Incognita
|
Анализировать url |
| arxiv.org |
The Caltech Fish Counting Dataset: A Benchmark for Multiple-Object Tracking and Counting
|
Анализировать url |
| arxiv.org |
mixup: Beyond Empirical Risk Minimization
|
Анализировать url |
| arxiv.org |
Spatial Implicit Neural Representations for Global-Scale Species Mapping
|
Анализировать url |
| arxiv.org |
AutoFT: Learning an Objective for Robust Fine-Tuning
|
Анализировать url |
| arxiv.org |
TIML: Task-Informed Meta-Learning for Agriculture
|
Анализировать url |
| arxiv.org |
Distributionally Robust Neural Networks for Group Shifts: On the Importance of Regularization for Worst-Case Generalization
|
Анализировать url |
| arxiv.org |
Domain-Adversarial Training of Neural Networks
|
Анализировать url |
| arxiv.org |
AdaMatch: A Unified Approach to Semi-Supervised Learning and Domain Adaptation
|
Анализировать url |
| arxiv.org |
Mean Teachers Are Better Role Models
|
Анализировать url |
| arxiv.org |
Align and Distill: Unifying and Improving Domain Adaptive Object Detection
|
Анализировать url |
| nature.com |
Global birdsong embeddings enable superior transfer learning for bioacoustic classification
|
Анализировать url |
| research.google |
A theory of learning from different domains
|
Анализировать url |
| ieeexplore.ieee.org |
A Comprehensive Survey on TinyML
|
Анализировать url |
| arxiv.org |
Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding
|
Анализировать url |
| arxiv.org |
Vision Models Can Be Efficiently Specialized via Few-Shot Task-Aware Compression
|
Анализировать url |
| arxiv.org |
Distilling the Knowledge in a Neural Network
|
Анализировать url |
| link.springer.com |
A survey on federated learning: challenges and applications
|
Анализировать url |
| arxiv.org |
Deep Bayesian Active Learning with Image Data
|
Анализировать url |
| proceedings.neurips.cc |
Selective Classification for Deep Neural Networks
|
Анализировать url |
| zslpublications.onlinelibrary.wiley.com |
21 000 birds in 4.5 h: efficient large-scale seabird detection with machine learning
|
Анализировать url |
| openaccess.thecvf.com |
Fast building segmentation from satellite imagery and few local labels
|
Анализировать url |
| arxiv.org |
A deep active learning system for species identification and counting in camera trap images
|
Анализировать url |
| proceedings.neurips.cc |
Active Learning-Based Species Range Estimation
|
Анализировать url |
| ojs.aaai.org |
Role of Human-AI Interaction in Selective Prediction
|
Анализировать url |
| arxiv.org |
Investigating Selective Prediction Approaches Across Several Tasks in IID, OOD, and Adversarial Settings
|
Анализировать url |
| nature.com |
Iterative human and automated identification of wildlife images
|
Анализировать url |
| arxiv.org |
Human-Machine Collaboration for Fast Land Cover Mapping
|
Анализировать url |
| science.org |
Prediction-Powered Inference
|
Анализировать url |
| gperezs.com |
DISCOUNT: Counting in Large Image Collections with Detector-Based Importance Sampling
|
Анализировать url |
| arxiv.org |
IS-COUNT: Large-scale Object Counting from Satellite Images with Covariate-based Importance Sampling
|
Анализировать url |
| arxiv.org |
Active Testing: Sample–Efficient Model Evaluation
|
Анализировать url |
| arxiv.org |
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
|
Анализировать url |
| besjournals.onlinelibrary.wiley.com |
Deep reinforcement learning for conservation decisions
|
Анализировать url |
| gperezs.com |
Human-in-the-Loop Visual Re-ID for Population Size Estimation
|
Анализировать url |
| arxiv.org |
INQUIRE: A Natural World Text-to-Image Retrieval Benchmark
|
Анализировать url |
| biorxiv.org |
Large language models possess some ecological knowledge, but how much?
|
Анализировать url |
| biorxiv.org |
WildCLIP: Scene and animal attribute retrieval from camera trap data with domain-adapted vision-language models
|
Анализировать url |
| arxiv.org |
BioCLIP: A Vision Foundation Model for the Tree of Life
|
Анализировать url |
| arxiv.org |
CLAP: Learning Audio Concepts From Natural Language Supervision
|
Анализировать url |
| arxiv.org |
TaxaBind: A Unified Embedding Space for Ecological Applications
|
Анализировать url |
| arxiv.org |
Mission Critical: Satellite Data is a Distinct Modality in Machine Learning
|
Анализировать url |
| ojs.aaai.org |
Combining Deep Learning and Street View Imagery to Map Smallholder Crop Types
|
Анализировать url |
| openaccess.thecvf.com |
The Auto Arborist Dataset: A Large-Scale Benchmark for Multiview Urban
Forest Monitoring Under Domain Shift
|
Анализировать url |
| nature.com |
Integrating remote sensing with ecology and evolution to advance biodiversity conservation
|
Анализировать url |
| nature.com |
Priority list of biodiversity metrics to observe from space
|
Анализировать url |
| arxiv.org |
Contrasting local and global modeling with machine learning and satellite data: A case study estimating tree canopy height in African savannas
|
Анализировать url |
| arxiv.org |
Knowledge-guided Machine Learning: Current Trends and Future Prospects
|
Анализировать url |
| link.springer.com |
Hierarchical Conditioning of Diffusion Models Using Tree-of-Life for Studying Species Evolution
|
Анализировать url |
| arxiv.org |
SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery
|
Анализировать url |
| nature.com |
Harnessing machine learning to guide phylogenetic-tree search algorithms
|
Анализировать url |
| besjournals.onlinelibrary.wiley.com |
Graph embedding and transfer learning can help predict potential species interaction networks despite data limitations
|
Анализировать url |
| biorxiv.org |
Understanding Ecological Systems Using Knowledge Graphs: An Application to Highly Pathogenic Avian Influenza
|
Анализировать url |
| bkellenb.github.io |
Benjamin Kellenberger
|
Анализировать url |
| people.cs.umass.edu |
Subhransu Maji
|
Анализировать url |
| arxiv.org |
“Application-driven innovation”
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта cv4planet.github.io, слабо оптимизирован на 44%. Для хорошей оптимизации и выхода на первые места в поиске требуется:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: