Анализ сайта dennyzhou.github.io
Основное Готовность: 85%
Домен
dennyzhou.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://dennyzhou.github.io
301 MovedPermanently
https://dennyzhou.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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 28.10.2026 23:43:40.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Кодировка на странице не определена. Укажите явно кодировку документа!
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
~0,52сек
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 0,52сек оптимальна.
Объем документа
49Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 49Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
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 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | comp1011-106.css |
Серверные заголовки
Кол-во: 17
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 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a619911-c6e6" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | B5EE:6BA4:B55CF5:B6A4CD:6A88F12C |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 00:45:35 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230138-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787359535.387154,VS0,VE114 |
| Vary | Accept-Encoding |
| x-fastly-request-id | d35c44d630a937bf3be90b758d3514f014f4adc0 |
CMS
Microsoft FrontPage 6.0
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.
В мета-теге generator указано: Microsoft FrontPage 6.0.
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: 22%
Title
Denny Zhou's Home Page
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 увеличить число символов в title (текущее значение мало: 22, минимум: 25, 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: 3
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 3шт. 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 | GENERATOR | Microsoft FrontPage 6.0 |
| name | ProgId | FrontPage.Editor.Document |
| name | Microsoft Theme | compass 1011 |
Оптимизация Готовность: 60%
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
Есть ошибки
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 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 130 достаточно.
Среднее число слов в абзаце 36 достаточно.
Кол-во знаков контента 22467 на странице оптимально.
Кол-во слов 3368 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 <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 4. Это хорошо.
Тошнота
8,06
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
4,01%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 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 | 65 | 1,93% |
| conference | 51 | 1,51% |
| international | 41 | 1,22% |
| language | 30 | 0,89% |
| machine | 30 | 0,89% |
| proceedings | 26 | 0,77% |
| models | 25 | 0,74% |
| information | 23 | 0,68% |
| neural | 21 | 0,62% |
| processing | 19 | 0,56% |
| systems | 19 | 0,56% |
| representations | 18 | 0,53% |
| crowdsourcing | 16 | 0,48% |
| schlkopf | 15 | 0,45% |
| reason | 12 | 0,36% |
| knowledge | 11 | 0,33% |
| advances | 10 | 0,30% |
| neurips | 9 | 0,27% |
| classification | 9 | 0,27% |
| university | 9 | 0,27% |
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 127 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: 44
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 44 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /LLM-Reasoning-Stanford-CS-25.pdf |
building large language models (LLMs) to reason to achieve perfect generalization
|
|
|
| /talks/Aggregating-Ordinal-Labels-from-Crowds.pdf |
slides
|
|
|
| /papers/budget_crowd.pdf |
<span style="text-decoration: underline; color: blue; margin: 0px">Optimistic Knowledge Gradient Policy for Optimal Budget Allocation in
Crowdsourcing</span>
|
|
|
| /papers/appendix_ICML13.pdf |
<span style="color: #0000FF; text-decoration: underline">a</span><span style="text-decoration: underline; color: blue; margin: 0px">ppendix</span>
|
|
|
| /papers/crowdwisdom.pdf |
<span style="text-decoration: underline; color: blue; margin: 0px">Learning from the Wisdom of Crowds by Minimax Entropy</span>
|
|
|
| /talks/MinimaxEnt.pdf |
slides
|
|
|
| /papers/RSR.pdf |
Recommender Systems with Social Regularization
|
|
|
| /papers/HSVM.pdf |
Hierarchical Classification via Orthogonal Transfer
|
|
|
| /papers/09tkdd_evolutionary.pdf |
On Evolutionary Spectral
Clustering
|
|
|
| /papers/sugg.pdf |
Query Suggestion Using Hitting Time
|
|
|
| /papers/high.pdf |
High-Order Regularization on Graphs
|
|
|
| /papers/evospe.pdf |
Evolutionary Spectral Clustering by Incorporating Temporal Smoothness
|
|
|
| /papers/mv_ICML.pdf |
Spectral Clustering and Transductive Learning with Multiple Views
|
|
|
| /papers/LinkSpam_AW.pdf |
Transductive
Link Spam Detection
|
|
|
| /papers/HYPER.pdf |
Learning with Hypergraphs: Clustering, Classification, and Embedding
|
|
|
| /papers/Jhyperim.pdf |
Semi-Supervised Graph-Based Hyperspectral Image Classification
|
|
|
| /papers/DR.pdf |
Discrete Regularization
|
|
|
| /papers/IMS.pdf |
Information Marginalization on Subgraphs
|
|
|
| /papers/hyperim.pdf |
Semi-Supervised Hyperspectral Image Classification with Graphs
|
|
|
| /papers/LLUD.pdf |
Learning from Labeled and Unlabeled Data on a Directed Graph
|
|
|
| /papers/RDS.pdf |
Regularization on Discrete Spaces
|
|
|
| /papers/SDG.pdf |
Semi-Supervised Learning on Directed Graphs
|
|
|
| /papers/semiprot-bioinformatics.pdf |
Semi-Supervised Protein Classification Using Cluster Kernels.
|
|
|
| /papers/hyper_tech.pdf |
Beyond Pairwise Classification and Clustering Using Hypergraphs
|
|
|
| /papers/LLGC.pdf |
Learning with Local and Global Consistency
|
|
|
| /papers/RDM.pdf |
Ranking on Data Manifolds
|
|
|
| /papers/SCK.pdf |
Semi-Supervised Protein Classification Using Cluster Kernels
|
|
|
| /papers/RFLG.pdf |
A Regularization Framework for Learning from Graph Data
|
|
|
| /papers/RW.pdf |
Learning from Labeled and Unlabeled Data Using Random Walks
|
|
|
| /papers/semi_induction.pdf |
Semi-Supervised Induction
|
|
|
| /LLMs-Reason-2023-Harvard-Yale.pdf |
Teach Language Models to Reason
|
|
|
| /LLMs-Reason-2023-Harvard-Yale.pdf |
Teach Language Models to Reason
|
|
|
| /LLMs-Reason-Taiwan-2023.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-LLMs-to-Reason-KDD-2023.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-LLMs-to-Reason-7-2023.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-LLMs-to-Reason-7-2023.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-Language-Models-to-Reason.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-Language-Models-to-Reason.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-Language-Models-to-Reason.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-Language-Models-to-Reason.pdf |
Teach Language Models to Reason
|
|
|
| /Teach-Language-Models-to-Reason.pdf |
Teach Language Models to Reason
|
|
|
| /talks/Double-or-Nothing.pdf |
slides
|
|
|
| /talks/AlgorithmicCrowdsourcing.pdf |
slides
|
|
|
| /talks/MinimaxEnt.pdf |
slides
|
|
Внешние ссылки
Кол-во: 80
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 80 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| colm.eventhosts.cc |
Conference on Language Modeling (COLM) 2024
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Large Language Models as Optimizers.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Large Language Models as Tool Makers.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Teaching Large Language Models to Self-Debug.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Larger language models do in-context learning differently.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">The Flan Collection: Designing Data and Methods for Effective Instruction Tuning.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Large Language Models Can Be Easily Distracted by Irrelevant Context.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">What learning algorithm is in-context learning? Investigations with linear models.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">UL2: Unifying Language Learning Paradigms.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Scaling Instruction-Finetuned Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Transcending scaling laws with 0.1% extra compute. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Language models are multilingual chain-of-thought reasoners. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Compositional Semantic Parsing with Large Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Emergent Abilities of Large Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">PaLM: Scaling language modeling with pathways. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Self-Consistency Improves Chain of Thought Reasoning in Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Chain of Thought Prompting Elicits Reasoning in Large Language Models. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Provable Stochastic Optimization for Global Contrastive Learning: Small Batch Does Not Harm Performance. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Token Dropping for Efficient BERT Pretraining. </span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px">Auto-scaling Vision Transformers without Training. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Fast WordPiece Tokenization. </span>
|
Анализировать url |
| proceedings.mlr.press |
<span style="text-decoration: underline; color: blue; margin: 0px">SpreadsheetCoder: Formula Prediction from Semi-structured Context. </span>
|
Анализировать url |
| proceedings.mlr.press |
<span style="text-decoration: underline; color: blue; margin: 0px">LEGO: Latent Execution-Guided Reasoning for Multi-Hop Question Answering on Knowledge Graphs. </span>
|
Анализировать url |
| ojs.aaai.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Post-training Quantization with Multiple Points: Mixed Precision without Mixed Precision. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Compositional Generalization via Neural-Symbolic Stack Machines. </span>
|
Анализировать url |
| dl.acm.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> Approval
Voting and Incentives in Crowdsourcing. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> Go Wide, Then Narrow: Efficient Training of Deep Thin Networks. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> Good Subnetworks Provably Exist: Pruning via Greedy Forward Selection. </span>
|
Анализировать url |
| kdd.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> Deep State-Space Generative Model For Correlated Time-to-Event Predictions. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices. </span>
|
Анализировать url |
| github.com |
<span style="text-decoration: underline; color: blue; margin: 0px">code</span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px"> Neural Symbolic Reader: Scalable Integration of Distributed and Symbolic Representations for Reading Comprehension. </span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px"> Doubly robust bias reduction in infinite horizon off-policy estimation. </span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px">Black-box off-policy estimation for infinite-horizon reinforcement learning. </span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px"> Neural Logic Machines. </span>
|
Анализировать url |
| github.com |
<span style="text-decoration: underline; color: blue; margin: 0px">code</span>
|
Анализировать url |
| papers.nips.cc |
<span style="text-decoration: underline; color: blue; margin: 0px"> Breaking the curse of horizon: Infinite-horizon off-policy estimation. </span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px"> Towards Neural Phrase-based Machine Translation. </span>
|
Анализировать url |
| github.com |
<span style="text-decoration: underline; color: blue; margin: 0px">code</span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px">
Action-dependent Control Variates for Policy Optimization via Stein Identity.</span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px">
On the Discrimination-Generalization Tradeoff in GANs.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Sequence Modeling via Segmentations.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Provably Optimal Algorithms for Generalized Linear Contextual Bandits.</span>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Stochastic Variance Reduction Methods for Policy Evaluation.</span>
|
Анализировать url |
| openreview.net |
<span style="text-decoration: underline; color: blue; margin: 0px">Neuro-symbolic program synthesis.</span>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Double or
Nothing: Multiplicative Incentive Mechanisms for Crowdsourcing.</span>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">
No Oops, You Won't Do It Again: Mechanisms for Self-correction in Crowdsourcing. </span>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">
Exact Exponent in Optimal Rates for Crowdsourcing.</span>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">
Spectral
Methods Meet EM: A Provably Optimal Algorithm for Crowdsourcing</span>
|
Анализировать url |
| papers.nips.cc |
<span style="text-decoration: underline; color: blue; margin: 0px">Double or
Nothing: Multiplicative Incentive Mechanisms for Crowdsourcing.</span>
|
Анализировать url |
| arxiv.org |
<font face="Arial">
<span style="text-decoration: underline; color: blue; margin: 0px">
Regularized Minimax Conditional Entropy for Crowdsourcing</span></font>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Approval
Voting and Incentives in Crowdsourcing</span>
|
Анализировать url |
| arxiv.org |
<font color="#0000FF">long
version</font>
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">On the Impossibility of Convex Inference in Human Computation</span>
|
Анализировать url |
| jmlr.org |
<span style="text-decoration: underline; color: blue; margin: 0px">
Statistical Decision Making for Optimal Budget Allocation in Crowd Labeling</span>
|
Анализировать url |
| papers.nips.cc |
<span style="text-decoration: underline; color: blue; margin: 0px">Spectral
Methods Meet EM: A Provably Optimal Algorithm for Crowdsourcing</span>
|
Анализировать url |
| research.microsoft.com |
<span style="text-decoration: underline; color: blue; margin: 0px">
Aggregating Ordinal Labels from Crowds by Minimax Conditional Entropy</span>
|
Анализировать url |
| research.microsoft.com |
data
|
Анализировать url |
| cs.dartmouth.edu |
code
|
Анализировать url |
| arxiv.org |
<span style="text-decoration: underline; color: blue; margin: 0px">Minimax
Optimal Convergence Rates for Estimating Ground Truth from Crowdsourced
Labels</span>
|
Анализировать url |
| stat.berkeley.edu |
<span style="text-decoration: underline; color: blue; margin: 0px">Error
rate analysis of labeling by crowdsourcing</span>
|
Анализировать url |
| research.microsoft.com |
data
|
Анализировать url |
| cs.dartmouth.edu |
code
|
Анализировать url |
| research.microsoft.com |
Query Suggestion by Constructing Term-Transition Graphs
|
Анализировать url |
| research.microsoft.com |
<span style="color: blue; text-decoration: underline; margin: 0">Hierarchical Classification via Orthogonal Transfer</span>
|
Анализировать url |
| research.microsoft.com |
<span style="color: blue; text-decoration: underline; margin: 0">long
version</span>
|
Анализировать url |
| research.microsoft.com |
Post-Ranking Query Suggestion by Diversifying Search Results
|
Анализировать url |
| research.microsoft.com |
.
|
Анализировать url |
| research.microsoft.com |
<span style="color: blue; text-decoration: underline; margin: 0">long
version</span>
|
Анализировать url |
| portal.acm.org |
Product Query Classification
|
Анализировать url |
| research.microsoft.com |
.
|
Анализировать url |
| pnas.org |
Protein Ranking: From Local to Global Structure in the Protein Similarity
Network
|
Анализировать url |
| crowdwisdom.cc |
Crowdsourcing
and Machine
Learning
|
Анализировать url |
| crowdwisdom.cc |
<span style="text-decoration: underline; color: blue; margin: 0px">
Crowdsourcing and Human Computing</span>
|
Анализировать url |
| crowdwisdom.cc |
<span style="text-decoration: underline; color: blue; margin: 0px">
Crowdsourcing: Theory, Algorithms and Applications</span>
|
Анализировать url |
| crowdwisdom.cc |
Machine Learning Meets Crowdsourcing
|
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 dennyzhou.github.io, слабо оптимизирован на 42%. 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: