Анализ сайта debadityashome.com, хорошо оптимизирован на 45%

Домен

debadityashome.com

Состояние доменного имени ?

Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.

Домен второго уровня идеален для продвижения.

Исправить

Ответ сервера

200 Успешный ответ

HTTP-код ответа и цепочка редиректов ?

Кол-во редиректов 3 слишком большое! Проверьте настройки сайта и веб-сервера!

Цепочка редиректов:

http://debadityashome.com 301 MovedPermanently

https://debadityashome.com/ 301 MovedPermanently

https://www.debadityashome.com/ 200 OK

Исправить

Безопасность

Сайт безопасен

Использование HTTPS и SSL-сертификат ?

На сайте работает защищенный протокол ssl и сайт открывается по https.

Ssl-сертификат действителен до 18.11.2026 18:53:01.

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 ?

Указана кодировка на странице utf-8.

Язык

en-us

Атрибут lang в HTML-теге ?

Язык документа указан явно: en-us.

Скорость загрузки

~1,03сек

Время отклика сервера (TTFB) ?

Скорость загрузки сайта 1,03сек превышает 1 секунду. Желательно улучшить работу сайта!

Исправить

Объем документа

60Кб

Размер HTML-кода страницы ?

Объем html-документа 60Кб оптимален.

Структура html-документа корректна.

Ресурсы

Ресурсы: 18

Внешние ресурсы страницы (CSS, JS, изображения) ?

Кол-во файлов ресурсов 18 много для одной страницы. Приемлемо до 10. Проведите оптимизацию файлов ресурсов!

Показать полный список ресурсов

Тип	Название	Значение
stylesheet		https://cdnjs.cloudflare.com/ajax/libs/academicons/1.9.0/css/academicons.min.css
stylesheet		https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.14.0/css/all.min.css
stylesheet		https://cdnjs.cloudflare.com/ajax/libs/highlight.js/10.2.0/styles/github.min.css
stylesheet		https://cdnjs.cloudflare.com/ajax/libs/highlight.js/10.2.0/styles/dracula.min.css
stylesheet		https://fonts.googleapis.com/css2?family=Montserrat:wght@400;700&family=Roboto+Mono&family=Roboto:wght@400;700&display=swap
stylesheet		/css/wowchemy.f0cf03b20998d63e314819fa4a90c13f.css
js		https://identity.netlify.com/v1/netlify-identity-widget.js
js		/js/wowchemy-init.min.8988fb2a4bba758785868cfcb5244555.js
js		https://cdnjs.cloudflare.com/ajax/libs/jquery/3.5.1/jquery.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/instant.page/5.1.0/instantpage.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/jquery.imagesloaded/4.1.4/imagesloaded.pkgd.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/jquery.isotope/3.0.6/isotope.pkgd.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/highlight.js/10.2.0/highlight.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/highlight.js/10.2.0/languages/r.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/fuse.js/3.2.1/fuse.min.js
js		https://cdnjs.cloudflare.com/ajax/libs/mark.js/8.11.1/jquery.mark.min.js
js		/js/bootstrap.bundle.min.6aed84840afc03ab4d5750157f69c120.js
js		/en/js/wowchemy.min.d68ecd57c0ec1f1f61d65fd568f1c3a0.js

Исправить

Серверные заголовки

Кол-во: 15

HTTP-заголовки ответа сервера ?

Найдены серверные заголовки 15шт. Подробнее про серверные заголовки.

Показать полный список серверных заголовков

Ключ	Значение
Accept-Ranges	bytes
Age	0
Cache-Control	public, must-revalidate, max-age=0
cache-status	"Netlify Edge"; fwd=miss; fwd-status=200; stored
Date	Sun, 23 Aug 2026 07:49:19 GMT
ETag	"0fd33f08e795c6a7b9fd7e5afabbd90f-ssl"
permissions-policy	accelerometer=(), camera=(), geolocation=(), gyroscope=(), magnetometer=(), microphone=(), payment=(), usb=()
Referrer-Policy	strict-origin-when-cross-origin
Server	Netlify
Strict-Transport-Security	max-age=31536000; includeSubDomains
Vary	Accept-Encoding
X-Content-Type-Options	nosniff
X-Frame-Options	DENY
x-nf-request-id	01M0PSGV061DRC43YQX8GE60M8
X-XSS-Protection	1; mode=block

CMS

Не определена

Система управления сайтом (движок) ?

CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.

Веб-сервер

Netlify

Программное обеспечение сервера ?

В заголовке Server указано: Netlify.

Title

Debaditya Shome

Заголовок страницы в браузере и поисковой выдаче ?

Необходимо увеличить число символов в title (текущее значение мало: 15, минимум: 25, оптимально: от 40 до 45)

Дублей словоформ в title не найдено.

Исправить

Description

Graduate researcher experienced in AI / ML

Описание страницы в поисковой выдаче (сниппет) ?

Необходимо увеличить число символов в description (текущее значение мало: 42, минимум: 80, оптимально: от 120 до 130)

Исправить

Keywords

Список ключевых слов страницы (устаревший тег) ?

Установите мета-тег keywords!

Исправить

Канонический Url

https://www.debadityashome.com/

Указывает поисковику основную версию страницы ?

Канонический Url прописан корректно.

Robots

Ошибок нет

Директивы для поисковых роботов на уровне страницы ?

Meta-тег robots не указан. Страница свободна для индексации.

Адаптивность

width=device-width,initial-scale=1

Настройка масштабирования на мобильных устройствах ?

Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.

Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».

Разметка OpenGraph

Кол-во: 7

Мета-теги для красивых превью в соцсетях ?

Разметка OpenGraph задана. Страница оптимизирована под социальные сети.

Показать полный список og мета-тегов

Тип	Значение
og:site_name	Debaditya Shome
og:url	https://www.debadityashome.com/
og:title	Debaditya Shome
og:description	Graduate researcher experienced in AI / ML
og:image	https://www.debadityashome.com/media/icon_hu8e93803ec8fc87f97ba04bc5491830f7_218985_512x512_fill_lanczos_center_3.png
og:locale	en-us
og:updated_time	2030-06-01T13:00:00+00:00

Все мета-теги

Кол-во: 14

Полный список мета-тегов страницы ?

Найдены мета-теги 14шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.

Показать полный список мета-тегов

Тип	Название	Значение
name	viewport	width=device-width,initial-scale=1
name	generator	Wowchemy 5.3.0 for Hugo
name	author	Debaditya Shome
name	description	Graduate researcher experienced in AI / ML
name	theme-color	#1565c0
property	twitter:card	summary
property	og:site_name	Debaditya Shome
property	og:url	https://www.debadityashome.com/
property	og:title	Debaditya Shome
property	og:description	Graduate researcher experienced in AI / ML
property	og:image	https://www.debadityashome.com/media/icon_hu8e93803ec8fc87f97ba04bc5491830f7_218985_512x512_fill_lanczos_center_3.png
property	twitter:image	https://www.debadityashome.com/media/icon_hu8e93803ec8fc87f97ba04bc5491830f7_218985_512x512_fill_lanczos_center_3.png
property	og:locale	en-us
property	og:updated_time	2030-06-01T13:00:00+00:00

Структура

Ошибок нет

Семантические HTML-элементы страницы ?

Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).

Контент

Есть ошибки

Объём и качество текстового содержимого ?

Слова из title 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!

Абзацев с текстом 29 достаточно.

Среднее число слов в абзаце 66 достаточно.

Кол-во знаков контента 21686 на странице оптимально.

Кол-во слов 3097 на странице оптимально.

Исправить

Заголовки

Ошибок нет

Иерархия заголовков H1–H6 ?

На странице присутствуют заголовки <h1> 10. Это прекрасно.

На странице присутствуют заголовки <h2> 1. Это хорошо.

На странице присутствуют заголовки <h3> 2.

Тошнота

5,83

Насколько одно слово доминирует в тексте ?

Тошнота превышает норму 5. Измените текст страницы!

Исправить

Академич. тошнота

32,10%

Насколько текст перенасыщен ключевыми словами ?

Академическая тошнота превышает норму 5-15%. Измените текст страницы!

Исправить

Семантическое ядро

20

Наиболее часто встречающиеся слова на странице ?

Контент страницы содержит осмысленный текст и слова.

Показать список слов

Слово	Кол-во	Частота
learning	34	1,10%
research	15	0,48%
models	15	0,48%
network	15	0,48%
debaditya	13	0,42%
wireless	12	0,39%
machine	11	0,36%
recognition	10	0,32%
overview:	9	0,29%
certificate	9	0,29%
intelligence	8	0,26%
system	8	0,26%
diffusion	8	0,26%
content	8	0,26%
federated	8	0,26%
networks	8	0,26%
dataset	8	0,26%
communication	8	0,26%
university	7	0,23%
conference	7	0,23%

Индексирование

Ошибок нет

Разрешено ли индексирование страницы ?

Анкоров на странице 112 оптимально. Поисковые роботы обязательно проиндексируют сайт.

Robots.txt

Найден корректный robots.txt

Файл управления сканированием сайта роботами ?

Кол-во редиректов для файла robots.txt 3 слишком большое! Это может вызывать затруднение при индексации поисковыми роботами!

Проверяемая страница не запрещена в robots.txt.

Robots.txt доступен по постоянному адресу

Цепочка редиректов для файла robots.txt:

http://debadityashome.com/robots.txt 301 MovedPermanently

https://debadityashome.com/robots.txt 301 MovedPermanently

https://www.debadityashome.com/robots.txt 200 OK

Показать содержимое robots.txt

User-agent: *

Sitemap: https://www.debadityashome.com/sitemap.xml

Исправить

Sitemap

Кол-во: 1

XML-карта сайта для поисковиков ?

Robots.txt содержит карту сайта. Это прекрасно!

Robots.txt не содержит ошибок в карте сайта.

Показать карту сайта

Url	Статус
https://www.debadityashome.com/sitemap.xml

Внутренние ссылки

Кол-во: 30

Ссылки на другие страницы своего сайта ?

Внутренних ссылок на странице 30 оптимально.

Внутренние ссылки не запрещены к индексации в robots.txt.

На странице присутствуют изображения 8.

Показать внутренние ссылки

Url	Анкор	Анализировать
/	Debaditya Shome	Анализировать url
/	Debaditya Shome	Анализировать url
/./publication/	filtering publications	Анализировать url
/publication/rddm/	Region-Disentangled Diffusion Model for High-Fidelity PPG-to-ECG Translation	Анализировать url
/publication/rddm/	<div class="article-style"> <p>The high prevalence of cardiovascular diseases (CVDs) calls for accessible and cost-effective continuous cardiac monitoring tools. Despite Electrocardiography (ECG) being the gold standard, continuous monitoring remains a challenge, leading to the exploration of Photoplethysmography (PPG), a promising but more basic alternative available in consumer wearables. This notion has recently spurred interest in translating PPG to ECG signals. In this work, we introduce Region-Disentangled Diffusion Model (RDDM), a novel diffusion model designed to capture the complex temporal dynamics of ECG. Traditional Diffusion models like Denoising Diffusion Probabilistic Models (DDPM) face challenges in capturing such nuances due to the indiscriminate noise addition process across the entire signal. Our proposed RDDM overcomes such limitations by incorporating a novel forward process that selectively adds noise to specific regions of interest (ROI) such as QRS complex in ECG signals, and a reverse process that disentangles the denoising of ROI and non-ROI regions. Quantitative experiments demonstrate that RDDM can generate high-fidelity ECG from PPG in as few as 10 diffusion steps, making it highly effective and computationally efficient. Additionally, to rigorously validate the usefulness of the generated ECG signals, we introduce CardioBench, a comprehensive evaluation benchmark for a variety of cardiac-related tasks including heart rate and blood pressure estimation, stress classification, and the detection of atrial fibrillation and diabetes. Our thorough experiments show that RDDM achieves state-of-the-art performance on CardioBench. To the best of our knowledge, RDDM is the first diffusion model for cross-modal signal-to-signal translation in the bio-signal domain.</p> </div>	Анализировать url
/publication/conoffense/	ConOffense: Multi-modal multitask Contrastive learning for offensive content identification	Анализировать url
/publication/conoffense/	<div class="article-style"> <p>Hateful or offensive content has been increasingly common on social media platforms in recent years, and the problem is now widespread. There is a pressing need for effective automatic solutions for detecting such content, especially due to the gigantic size of social media data. Although significant progress has been made in the automated identification of offensive content, most of the focus has been on only using textual information. It can be easily noticed that with the rise in visual information shared on these platforms, it is quite common to have hateful content on images rather than in the associated text. Due to this, present day unimodal text-based methods won’t be able to cope up with the multimodal hateful content. <strong>In this paper, we propose a novel multimodal neural network powered by contrastive learning for identifying offensive posts on social media utilizing both visual and textual information.</strong> We design the text and visual encoders with a lightweight architecture to make the solution efficient for real world use. Evaluation on the MMHS150K dataset shows state-of-the-art performance of 82.6 percent test accuracy, making an improvement of approximately +14.1 percent accuracy over the previous best performing benchmark model on the dataset.</p> </div>	Анализировать url
/publication/conoffense/ConOffense.pdf	PDF
/publication/resthar/	RestHAR: Residual feature learning transformer for human activity recognition from multi-sensor data	Анализировать url
/publication/resthar/	<div class="article-style"> <p>In recent times, surge in the use of smartphones in our daily lives has created a huge opportunity for paving the road towards human-centric computing by utilizing the rich data which gets recorded by it’s multiple sensors. Sensor-based human activity recognition has a tremendous amount of real-world applications such as health monitoring, surveillance, smart homes, and ambient assisted living. This paper presents a joint residual feature extractor and a transformer-based deep neural network for end-to-end human activity recognition using raw multi-sensor data captured from smartphones or wearable devices. Unlike conventional handcrafted feature extraction, this approach outperforms all present approaches showing state-of-the-art generalizable performance over multiple benchmark datasets. It achieves a test accuracy of 95.2% on the UCI HAR dataset and 96.4% test accuracy on the WISDM dataset.</p> </div>	Анализировать url
/publication/resthar/RestHAR.pdf	PDF
/publication/covid-transformer/	COVID-Transformer: Interpretable COVID-19 Detection using Vision Transformer for Healthcare	Анализировать url
/publication/covid-transformer/	<div class="article-style"> <p>In the recent pandemic, accurate and rapid testing of patients remained a critical task in the diagnosis and control of COVID-19 disease spread in the healthcare industry. Because of the sudden increase in cases, most countries have faced scarcity and a low rate of testing. Chest x-rays have been shown in the literature to be a potential source of testing for COVID-19 patients, but manually checking x-ray reports is time-consuming and error-prone. Considering these limitations and the advancements in data science, we proposed a Vision Transformer based deep learning pipeline for COVID-19 detection from chest x-ray based imaging. Due to the lack of large data sets, we collected data from three open-source data sets of chest x-ray images and aggregated them to form a 30K image data set, which is the largest publicly available collection of chest x-ray images in this domain to our knowledge. Our proposed transformer model effectively differentiates COVID-19 from normal chest x-rays with an accuracy of 98 % along with an AUC score of 99 % in the binary classification task. It distinguishes COVID-19, normal, and pneumonia patient’s x-rays with an accuracy of 92 % and AUC score of 98 % in the Multi-class classification task. For evaluation on our data set, we fine-tuned some of the widely used models in literature namely EfficientNetB0, InceptionV3, Resnet50, MobileNetV3, Xception, and DenseNet-121 as baselines. Our proposed transformer model outperformed them in terms of all metrics. In addition, a Grad-CAM based visualization is created which makes our approach interpretable by radiologists and can be used to monitor the progression of the disease in the affected lungs, assisting healthcare.</p> </div>	Анализировать url
/publication/covid-transformer/covid-transformer.pdf	PDF
/publication/fedaffect/	FedAffect: Few-Shot Federated Learning for Facial Expression Recognition	Анализировать url
/publication/fedaffect/	<div class="article-style"> <p>Annotation of large-scale facial expression datasets in the real world is a major challenge because of privacy concerns of the individuals due to which traditional supervised learning approaches won’t scale. Moreover, training models on large curated datasets often leads to dataset bias which reduces generalizability for real world use. Federated learning is a recent paradigm for training models collaboratively with decentralized private data on user devices. <strong>In this paper, we propose a few-shot federated learning framework which utilizes few samples of labeled private facial expression data to train local models in each training round and aggregates all the local model weights in the central server to get a globally optimal model. In addition, as the user devices are a large source of unlabeled data, we design a federated learning based self-supervised method to disjointly update the feature extractor network on unlabeled private facial data in order to learn robust and diverse face representations.</strong> Experimental results by testing the globally trained model on benchmark datasets (FER-2013 and FERG) show comparable performance with state of the art centralized approaches. To the best of author’s knowledge, this is the first work on few-shot federated learning for facial expression recognition.</p> </div>	Анализировать url
/publication/fedaffect/fedaffect.pdf	PDF
/publication/fedaffect/poster.pdf	Poster
/publication/d2d-mitacs/	Sum rate maximization of D2D networks with energy constrained UAVs through deep unsupervised learning	Анализировать url
/publication/d2d-mitacs/	<div class="article-style"> <p>We consider a system model in which several energy harvesting (EH) unmanned aerial vehicles (UAVs), often known as drones, are deployed with device-to-device (D2D) communication networks. For the considered system model, we formulate an optimization problem that aims to find an optimal transmit power vector which maximizes the sum rate of the D2D network while also meets the minimum energy requirements of the UAVs. Because of the nature of the system model, it is necessary to deliver solutions in real time i.e., within a channel coherence time. As a result, conventional non-data-driven optimization methods are inapplicable, as either their run-time overheads are prohibitively expensive or their solutions are significantly suboptimal. In this paper, we address this problem by proposing a deep unsupervised learning (DUL) based hybrid scheme in which a deep neural network (DNN) is complemented by the full power scheme. It is shown through simulations that our proposed hybrid scheme provides up to 91% higher sum rate than an existing fully non-data driven scheme and our scheme is able to obtain solutions quite efficiently, i.e., within a channel coherence time.</p> </div>	Анализировать url
/publication/fl-mitacs/	Federated learning and next generation wireless communications: A survey on bidirectional relationship	Анализировать url
/publication/fl-mitacs/	<div class="article-style"> <p>In order to meet the extremely heterogeneous requirements of the next generation wireless communication networks, research community is increasingly dependent on using machine learning solutions for real-time decision-making and radio resource management. Traditional machine learning employs fully centralized architecture in which the entire training data is collected at one node e.g., cloud server, that significantly increases the communication overheads and also raises severe privacy concerns. Towards this end, a distributed machine learning paradigm termed as Federated learning (FL) has been proposed recently. In FL, each participating edge device trains its local model by using its own training data. Then, via the wireless channels the weights or parameters of the locally trained models are sent to the central PS, that aggregates them and updates the global model. On one hand, FL plays an important role for optimizing the resources of wireless communication networks, on the other hand, wireless communications is crucial for FL. Thus, a `bidirectional' relationship exists between FL and wireless communications. Although FL is an emerging concept, many publications have already been published in the domain of FL and its applications for next generation wireless networks. Nevertheless, we noticed that none of the works have highlighted the bidirectional relationship between FL and wireless communications. Therefore, the purpose of this survey paper is to bridge this gap in literature by providing a timely and comprehensive discussion on the interdependency between FL and wireless communications.</p> </div>	Анализировать url
/publication/fl-mitacs/fl-mitacs.pdf	PDF
/publication/emohind/	EmoHinD: Fine-grained multilabel emotion recognition from Hindi texts with Deep learning	Анализировать url
/publication/emohind/	<div class="article-style"> <p>Emotion recognition is a critical sub-field within Affective Computing and a step towards comprehensive natural language understanding. This might pave the way for a wide range of applications in natural language processing for social good, such as suicide prevention and employee mood detection as well as helping businesses provide personalized services to their users. Due to a scarcity of resources and a lack of standard labeled textual corpora for emotions in Hindi, constructing an emotion analysis system is a tough task in such a low resource language. This paper presents a novel multilabel Hindi text dataset of 58000 text samples with 28 emotion labels and a finetuned Multilingual BERT-based transformer model on the finegrained dataset. The model achieves state of the art performance with an overall ROC-AUC score of 0.92 upon evaluation.</p> </div>	Анализировать url
/publication/emohind/emohind.pdf	PDF
/publication/dqn-slicing/	Deep Q-learning for 5G network slicing with diverse resource stipulations and dynamic data traffic	Анализировать url
/publication/dqn-slicing/	<div class="article-style"> <p>5G wireless networks use the network slicing technique that provides a suitable network to a service requirement raised by a network user. Further, the network performs effective slice management to improve the throughput and massive connectivity along with the required latency towards an appropriate resource allocation to these slices for service requirements. <strong>This paper presents an online Deep Q-learning based network slicing technique that considers a sigmoid transformed Quality of Experience, price satisfaction, and spectral efficiency as the reward function for bandwidth allocation and slice selection to serve the network users. The Next Generation Mobile Network (NGMN) vertical use cases have been considered for the simulations which also deals with the problem of international roaming and diverse intra-use case requirement variations by using only three standard network service slices termed as enhanced Mobile Broadband (eMBB), Ultra Reliable Low Latency Communication (uRLLC), and massive Machine Type Communication (mMTC). Our Deep Q-Learning model also converges significantly faster than the conventional Deep Q-Learning based approaches used in this field.</strong> The environment has been prepared based on ITU specifications for eMBB, uRLLC, mMTC. Our proposed method demonstrates a superior Quality-of-experience for the different users and the higher network bandwidth efficiency compared to the conventional slicing technique.</p> </div>	Анализировать url
/publication/dqn-slicing/dqn-slicing.pdf	PDF
/tel:918927630639	918927630639

Внешние ссылки

Кол-во: 39

Ссылки на сторонние сайты ?

Внешних ссылок на странице 39 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!

Показать внешние ссылки

Url	Анкор	Анализировать
queensu.ca	<span>Queen's University</span>	Анализировать url
twitter.com	<i class="fab fa-twitter big-icon"></i>
scholar.google.com	<i class="fas fa-graduation-cap big-icon"></i>	Анализировать url
linkedin.com	<i class="fab fa-linkedin big-icon"></i>	Анализировать url
ingenuitylabs.queensu.ca	Ingenuity Labs & AIIM lab	Анализировать url
shl.com	SHL	Анализировать url
xulabs.github.io	Xu Lab, Carnegie Mellon University	Анализировать url
mitacs.ca	MITACS	Анализировать url
samsungprism.com	Samsung Research	Анализировать url
brandloveintel.com	Brand Love Intelligence	Анализировать url
relevense.com	https://www.relevense.com/),	Анализировать url
omdena.com	Omdena	Анализировать url
wri.org	https://www.wri.org/	Анализировать url
omdena.com	https://omdena.com/blog/climate-change-impacts/	Анализировать url
sites.google.com	Emory University	Анализировать url
highradius.com	HighRadius	Анализировать url
drive.google.com	Video	Анализировать url
drive.google.com	Slides	Анализировать url
drive.google.com	Slides	Анализировать url
udacity.com	Udacity	Анализировать url
confirm.udacity.com	See certificate	Анализировать url
micromasters.mit.edu	edX	Анализировать url
courses.edx.org	See certificate	Анализировать url
micromasters.mit.edu	edX	Анализировать url
courses.edx.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
coursera.org	Coursera	Анализировать url
coursera.org	See certificate	Анализировать url
wowchemy.com	Wowchemy	Анализировать url
github.com	open source	Анализировать url

Исправить

Конкуренты в Яндексе

Кол-во: 0

Топ сайтов-конкурентов в Яндексе ?

Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.

Конкурентов в ТОП-10 Яндекса не нашлось.

Исправить

Конкуренты в Google

Кол-во: 0

Топ сайтов-конкурентов в Google ?

Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!

Конкурентов в ТОП-10 Google не нашлось.

Исправить

Нарушения

Не выявлены

Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.

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.

Нарушения

Не выявлены

Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.

Нарушения

Не выявлены

Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.

Анализ сайта debadityashome.com

Основное Готовность: 40%

Домен

Ответ сервера

Безопасность

Кодировка

Язык

Скорость загрузки

Объем документа

Ресурсы

Серверные заголовки

CMS

Веб-сервер

Мета-теги Готовность: 48%

Title

Description

Keywords

Канонический Url

Robots

Адаптивность

Разметка OpenGraph

Все мета-теги

Оптимизация Готовность: 62%

Структура

Контент

Заголовки

Тошнота

Академич. тошнота

Семантическое ядро

Индексация Готовность: 30%

Индексирование

Robots.txt

Sitemap

Внутренние ссылки

Внешние ссылки

Конкуренты Готовность: 0%

Конкуренты в Яндексе

Конкуренты в Google

ЗоЗПП: права потребителей Готовность: 100%

Нарушения

ФЗ-149: рекомендательные технологии Готовность: 100%

Нарушения

ФЗ-38: реклама Готовность: 100%

Нарушения

ФЗ-436: защита детей Готовность: 100%

Нарушения

Вердикт