Анализ страницы https://clinicalml.org/publication
Основное Готовность: 60%
Домен
clinicalml.org
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
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.
Кол-во редиректов 3 слишком большое! Проверьте настройки сайта и веб-сервера!
Цепочка редиректов:
https://clinicalml.org/publication
301 MovedPermanently
http://clinicalml.org/publication/
301 MovedPermanently
https://clinicalml.org/publication/
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 04.10.2026 22:45:22.
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
en-us
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 документа указан явно: en-us.
Скорость загрузки
~1,81сек
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 1,81сек превышает 1 секунду. Желательно улучшить работу сайта!
Объем документа
197Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 197Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 23
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 23 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/1.8.6/css/academicons.min.css | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.12.0-1/css/all.min.css | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/fancybox/3.5.7/jquery.fancybox.min.css | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/highlight.js/9.18.1/styles/github.min.css | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/highlight.js/9.18.1/styles/dracula.min.css | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/leaflet/1.5.1/leaflet.css | |
| stylesheet | https://fonts.googleapis.com/css?family=Montserrat:400,700%7CRoboto:400,400italic,700%7CRoboto+Mono&display=swap | |
| stylesheet | /css/academic.css | |
| js | /js/mathjax-config.js | |
| js | https://cdnjs.cloudflare.com/ajax/libs/lazysizes/5.1.2/lazysizes.min.js | |
| js | https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-chtml.js | |
| js | https://www.googletagmanager.com/gtag/js?id=UA-72495497-5 | |
| js | https://cdnjs.cloudflare.com/ajax/libs/jquery/3.5.1/jquery.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/fancybox/3.5.7/jquery.fancybox.min.js | |
| js | https://cdnjs.cloudflare.com/ajax/libs/instant.page/5.1.0/instantpage.min.js | |
| js | https://cdnjs.cloudflare.com/ajax/libs/highlight.js/9.18.1/highlight.min.js | |
| js | https://cdnjs.cloudflare.com/ajax/libs/highlight.js/9.18.1/languages/r.min.js | |
| js | https://cdnjs.cloudflare.com/ajax/libs/leaflet/1.5.1/leaflet.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/academic.min.df4a9346d44747527e27f1ae4de5cf2a.js |
Серверные заголовки
Кол-во: 6
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 6шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | nginx |
| Date | Mon, 24 Aug 2026 06:27:05 GMT |
| Connection | keep-alive |
| Vary | Accept-Encoding |
| ETag | "31760-62bb0e4da1580" |
| Accept-Ranges | bytes |
CMS
Squarespace
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.
Сайт работает на CMS Squarespace.
Веб-сервер
nginx
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.
Сайт работает на веб-сервере nginx.
Мета-теги Готовность: 33%
Title
Publications | MIT Clinical ML
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: 30, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Professor of EECS
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.
Необходимо увеличить число символов в description (текущее значение мало: 17, минимум: 80, оптимально: от 120 до 130)
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
/publication/
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.
Домен в каноническом Url не совпадает!
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
width=device-width, initial-scale=1
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 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
?
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 задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:site_name | MIT Clinical ML |
| og:url | /publication/ |
| og:title | Publications | MIT Clinical ML |
| og:description | Professor of EECS |
| og:image | /images/logo_hu8ed6080ff24ce4912408edb2f4861bd0_19171_300x300_fit_lanczos_3.png |
| og:locale | en-us |
| og:updated_time | 2024-10-01T00:00:00+00:00 |
Все мета-теги
Кол-во: 14
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
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 | Source Themes Academic 4.8.0 |
| name | author | David Sontag |
| name | description | Professor of EECS |
| name | theme-color | #2962ff |
| property | twitter:card | summary |
| property | og:site_name | MIT Clinical ML |
| property | og:url | /publication/ |
| property | og:title | Publications | MIT Clinical ML |
| property | og:description | Professor of EECS |
| property | og:image | /images/logo_hu8ed6080ff24ce4912408edb2f4861bd0_19171_300x300_fit_lanczos_3.png |
| property | twitter:image | /images/logo_hu8ed6080ff24ce4912408edb2f4861bd0_19171_300x300_fit_lanczos_3.png |
| property | og:locale | en-us |
| property | og:updated_time | 2024-10-01T00:00:00+00:00 |
Оптимизация Готовность: 50%
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 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 152 достаточно.
Среднее число слов в абзаце 32 достаточно.
Кол-во знаков контента 33153 на странице оптимально.
Кол-во слов 5092 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> 2. Это прекрасно.
Тошнота
11,53
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
3,61%
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 |
|---|---|---|
| sontag | 133 | 2,61% |
| learning | 74 | 1,45% |
| proceedings | 73 | 1,43% |
| conference | 71 | 1,39% |
| international | 45 | 0,88% |
| machine | 41 | 0,81% |
| artificial | 30 | 0,59% |
| intelligence | 30 | 0,59% |
| models | 26 | 0,51% |
| clinical | 22 | 0,43% |
| michael | 21 | 0,41% |
| information | 20 | 0,39% |
| inference | 19 | 0,37% |
| neural | 19 | 0,37% |
| processing | 18 | 0,35% |
| halpern | 18 | 0,35% |
| statistics | 17 | 0,33% |
| steven | 16 | 0,31% |
| thesis: | 16 | 0,31% |
| monica | 15 | 0,29% |
Индексация Готовность: 0%
Индексирование
Есть ошибки
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 349 слишком много. Проведите ревизию и оптимизацию ссылок сайта.
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: 158
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 158 слишком много. Проведите оптимизацию сайта!
На странице присутствуют изображения 2.
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| /mission |
<span>Mission</span>
|
|
| /research |
<span>Research</span>
|
|
| /publication |
<span>Publications</span>
|
|
| /people |
<span>People</span>
|
|
| /teaching |
<span>Teaching</span>
|
|
| /software |
<span>Software</span>
|
|
| /data/amr-dataset |
<span>Data</span>
|
|
| /projects/medknowts |
<span>Projects</span>
|
|
| /contact |
<span>Contact/FAQs</span>
|
|
| /publication/hennigen-2023-towards/ |
Towards Verifiable Text Generation with Symbolic References
|
|
| /publication/shen-2024-learning/ |
Learning to Decode Collaboratively with Multiple Language Models
|
|
| /publication/demirel-2024-prediction/ |
Prediction-powered Generalization of Causal Inferences
|
|
| /publication/hegselmann-2024-data/ |
A Data-Centric Approach to Generate Faithful and High Quality Patient Summaries with Large Language Models
|
|
| /publication/demirel-2024-benchmarking/ |
Benchmarking observational studies with experimental data under right-censoring
|
|
| /publication/jiang-2024-machine/ |
Machine learning to predict notes for chart review in the oncology setting: a proof of concept strategy for improving clinician note-writing
|
|
| /publication/hussain-2024-joint/ |
Joint AI-driven event prediction and longitudinal modeling in newly diagnosed and relapsed multiple myeloma
|
|
| /publication/mozannar-2023-effective/ |
Effective Human-AI Teams via Learned Natural Language Rules and Onboarding
|
|
| /publication/jiang-2023-conceptualizing/ |
Conceptualizing Machine Learning for Dynamic Information Retrieval of Electronic Health Record Notes
|
|
| /publication/ji-2023-large/ |
Large-Scale Study of Temporal Shift in Health Insurance Claims
|
|
| /publication/mozannar-2023-exact/ |
Who Should Predict? Exact Algorithms For Learning to Defer to Humans
|
|
| /publication/hegselmann-2023-tabllm/ |
TabLLM: Few-shot Classification of Tabular Data with Large Language Models
|
|
| /publication/hussain-2023-falsification/ |
Falsification of Internal and External Validity in Observational Studies via Conditional Moment Restrictions
|
|
| /publication/alaa-2023-conformalized/ |
Conformalized Unconditional Quantile Regression
|
|
| /publication/boiarsky-2023-10-19-563100/ |
A Deep Dive into Single-Cell RNA Sequencing Foundation Models
|
|
| /publication/lang-2022-training/ |
Training Subset Selection for Weak Supervision
|
|
| /publication/hussain-2022-cp/ |
Falsification before Extrapolation in Causal Effect Estimation
|
|
| /publication/thams-2022-paramrobustset/ |
Evaluating Robustness to Dataset Shift via Parametric Robustness Sets
|
|
| /publication/charusaie-22-complement/ |
Sample Efficient Learning of Predictors that Complement Humans
|
|
| /publication/lang-2022-cotraining/ |
Co-training Improves Prompt-based Learning for Large Language Models
|
|
| /publication/oberst-2022-biasrobustintegration/ |
Bias-robust Integration of Observational and Experimental Estimators
|
|
| /publication/karlsson-2022-using/ |
Using Time-Series Privileged Information for Provably Efficient Learning of Prediction Models
|
|
| /publication/gervasi-2022-potential/ |
The Potential For Bias In Machine Learning And Opportunities For Health Insurers To Address It
|
|
| /publication/mozannar-2021-teaching/ |
Teaching Humans When To Defer to a Classifier via Exemplars
|
|
| /publication/boiarsky-2022-single/ |
Single cell characterization of myeloma and its precursor conditions reveals transcriptional signatures of early tumorigenesis
|
|
| /publication/agrawal-2022-ocp/ |
Leveraging Time Irreversibility with Order-Contrastive Pre-training
|
|
| /publication/agrawal-2022-large/ |
Large Language Models are Few-Shot Clinical Information Extractors
|
|
| /publication/alaa-2022-etab/ |
ETAB: A Benchmark Suite for Visual Representation Learning in Echocardiography
|
|
| /publication/chen-2021-clustering/ |
Clustering Interval-Censored Time-Series for Disease Phenotyping
|
|
| /publication/murray-2021-medknowts/ |
MedKnowts: Unified Documentation and Information Retrieval for Electronic Health Records
|
|
| /publication/lim-2021-finding/ |
Finding Regions of Heterogeneity in Decision-Making via Expected Conditional Covariance
|
|
| /publication/oberst-2021-regularizing/ |
Regularizing towards Causal Invariance: Linear Models with Proxies
|
|
| /publication/hussain-2021-neural/ |
Neural Pharmacodynamic State Space Modeling
|
|
| /publication/lang-2021-graph/ |
Graph cuts always find a global optimum for Potts models (with a catch)
|
|
| /publication/ji-2021-trajectory/ |
Trajectory Inspection: A Method for Iterative Clinician-Driven Design of Reinforcement Learning Studies
|
|
| /publication/alkaitis-2021-reason/ |
Automated NLP Extraction of Clinical Rationale for Treatment Discontinuation in Breast Cancer
|
|
| /publication/levy-2021-decisionaid/ |
Assessing the Impact of Automated Suggestions on Decision Making: Domain Experts Mediate Model Errors but Take Less Initiative
|
|
| /publication/lew-2021-pclean/ |
PClean: Bayesian Data Cleaning at Scale with Domain-Specific Probabilistic Programming
|
|
| /publication/lang-2021-beyond/ |
Beyond perturbation stability: LP recovery guarantees for MAP inference on noisy stable instances
|
|
| /publication/wu-2021-pulse/ |
Pulse of the Pandemic: Iterative Topic Filtering for Clinical Information Extraction from Social Media
|
|
| /publication/lim-thesis-21/ |
MEng Thesis: Identifying Heterogeneity in Decision-Making
|
|
| /publication/zhao-2021-attention/ |
Directing Human Attention in Event Localization for Clinical Timeline Creation
|
|
| /publication/kodialam-21/ |
Deep Contextual Clinical Prediction with Reverse Distillation
|
|
| /publication/boominathan-2020-treatmentpolicy/ |
Treatment Policy Learning in Multiobjective Settings with Fully Observed Outcomes
|
|
| /publication/chen-2020-robustknowledge/ |
Robustly Extracting Medical Knowledge from EHRs: A Case Study of Learning a Health Knowledge Graph
|
|
| /publication/agrawal-2020-robustbenchmarking/ |
Robust Benchmarking for Machine Learning of Clinical Entity Extraction
|
|
| /publication/collins-2020-ra/ |
Predicting Remission Among Patients With Rheumatoid Arthritis Starting Tocilizumab Monotherapy: Model Derivation and Remission Score Development
|
|
| /publication/evans-2020-metabolomics/ |
Predicting human health from biofluid-based metabolomics using machine learning
|
|
| /publication/krishnan-thesis-20/ |
PhD Thesis: Advances in deep generative modeling for clinical data
|
|
| /publication/kodialam-thesis-20/ |
MEng Thesis: Pipelines for Deep Patient-Level Clinical Outcome Prediction
|
|
| /publication/gopinath-thesis-20/ |
MEng Thesis: ML-Driven Clinical Documentation
|
|
| /publication/boominathan-thesis-20/ |
MEng Thesis: Learning Treatment Policies for Empiric Antibiotic Prescription
|
|
| /publication/johansson-2020-generalization/ |
Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects
|
|
| /publication/gopinath-2020-contextual/ |
Fast, Structured Clinical Documentation via Contextual Autocomplete
|
|
| /publication/makar-2020-bounds/ |
Estimation of Bounds on Potential Outcomes For Decision Making
|
|
| /publication/buhai-2020-empirical/ |
Empirical Study of the Benefits of Overparameterization in Learning Latent Variable Models
|
|
| /publication/mozannar-2020-consistent/ |
Consistent Estimators for Learning to Defer to an Expert
|
|
| /publication/oberst-2020-overlap/ |
Characterization of Overlap in Observational Studies
|
|
| /publication/kanjilal-2020-amruti/ |
A decision algorithm to promote outpatient antimicrobial stewardship for uncomplicated urinary tract infection
|
|
| /publication/redfield-2019-recordlinkage/ |
Derivation and validation of a machine learning record linkage algorithm between emergency medical services and the emergency department
|
|
| /publication/meshi-2019-train/ |
Train and Test Tightness of LP Relaxations in Structured Prediction
|
|
| /publication/johansson-2019-support/ |
Support and Invertibility in Domain-Invariant Representations
|
|
| /publication/podosinnikova-2019-overcomplete/ |
Overcomplete Independent Component Analysis via SDP
|
|
| /publication/c-ji-thesis-19/ |
MEng Thesis: Modeling progression of Parkinson's disease
|
|
| /publication/khandelwal-thesis-19/ |
MEng Thesis: Fine-tuning Generative Models
|
|
| /publication/oberst-thesis-21/ |
Master's Thesis: Counterfactual Policy Introspection using Structural Causal Models
|
|
| /publication/greenbaum-2019-autocomplete/ |
Improving documentation of presenting problems in the emergency department using a domain-specific ontology and machine learning-driven user interfaces
|
|
| /publication/gottesman-2019-guidelines/ |
Guidelines for reinforcement learning in healthcare.
|
|
| /publication/oberst-2019-counterfactual/ |
Counterfactual Off-Policy Evaluation with Gumbel-Max Structural Causal Models
|
|
| /publication/lang-2019-block/ |
Block Stability for MAP Inference
|
|
| /publication/chen-johansson-sontag-nips-18/ |
Why Is My Classifier Discriminatory?
|
|
| /publication/kim-et-al-icml-18/ |
Semi-Amortized Variational Autoencoders
|
|
| /publication/che-et-al-nature-sr-18/ |
Recurrent Neural Networks for Multivariate Time Series with Missing Values
|
|
| /publication/jernite-thesis-18/ |
PhD Thesis: Learning Representations of Text through Language and Discourse Modeling: From Characters to Sentences
|
|
| /publication/hodos-thesis-18/ |
PhD Thesis: Filling Gaps and Dodging Traps: Leveraging untapped potential in gene expression data for drug discovery with applications to cystic fibrosis
|
|
| /publication/lang-et-al-aistats-18/ |
Optimality of Approximate Inference Algorithms on Stable Instances
|
|
| /publication/lang-thesis-18/ |
MEng Thesis: Perturbation Stability for Approximate MAP Inference
|
|
| /publication/h-zhou-thesis-18/ |
MEng Thesis: Large-scale Prediction of Patient-Level Antibiotic Resistance: Towards Clinical Decision Support for Improved Antimicrobial Stewardship
|
|
| /publication/krishnan-et-al-uai-18/ |
Max-margin learning with the Bayes Factor
|
|
| /publication/johansson-2018-machine/ |
Machine Learning Analysis of Heterogeneity in the Effect of Student Mindset Interventions
|
|
| /publication/johansson-et-al-arxiv-18/ |
Learning Weighted Representations for Generalization Across Designs
|
|
| /publication/arora-et-al-cacm-18/ |
Learning Topic Models - Provably and Efficiently
|
|
| /publication/gottesman-etal-arxiv-18/ |
Evaluating Reinforcement Learning Algorithms in Observational Health Settings
|
|
| /publication/hodos-et-al-psb-17/ |
Cell-specific prediction and application of drug-induced gene expression profiles
|
|
| /publication/das-et-al-mlhc-17/ |
Using Machine Learning to Recommend Oncology Clinical Trials
|
|
| /publication/krishnan-et-al-aaai-17/ |
Structured Inference Networks for Nonlinear State Space Models
|
|
| /publication/jernite-et-al-icml-17/ |
Simultaneous Learning of Trees and Representations for Extreme Classification and Density Estimation
|
|
| /publication/ghandeharioun-et-al-acii-17/ |
Objective Assessment of Depressive Symptoms with Machine Learning and Wearable Sensors Data
|
|
| /publication/rotmensch-nature-sr-17/ |
Learning a Health Knowledge Graph from Electronic Medical Records
|
|
| /publication/vani-et-al-arxiv-17/ |
Grounded Recurrent Neural Networks
|
|
| /publication/shalit-et-al-icml-17/ |
Estimating individual treatment effect: generalization bounds and algorithms
|
|
Внешние ссылки
Кол-во: 180
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 180 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| arxiv.org |
PDF
|
| symgen.github.io |
Code
|
| aclanthology.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| academic.oup.com |
PDF
|
| github.com |
Code
|
| static1.squarespace.com |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| doi.org |
DOI
|
| biorxiv.org |
URL
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| proceedings.mlr.press |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| healthaffairs.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| nature.com |
PDF
|
| github.com |
Code
|
| proceedings.mlr.press |
PDF
|
| arxiv.org |
PDF
|
| openreview.net |
PDF
|
| arxiv.org |
PDF
|
| dl.acm.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| doi.org |
PDF
|
| doi.org |
DOI
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| sciencedirect.com |
PDF
|
| doi.org |
DOI
|
| dspace.mit.edu |
PDF
|
| static1.squarespace.com |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| psb.stanford.edu |
PDF
|
| arxiv.org |
PDF
|
| onlinelibrary.wiley.com |
PDF
|
| doi.org |
DOI
|
| doi.org |
PDF
|
| doi.org |
DOI
|
| dspace.mit.edu |
PDF
|
| dspace.mit.edu |
PDF
|
| dspace.mit.edu |
PDF
|
| dspace.mit.edu |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| stm.sciencemag.org |
PDF
|
| github.com |
Code
|
| doi.org |
DOI
|
| academic.oup.com |
PDF
|
| doi.org |
DOI
|
| jmlr.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| dspace.mit.edu |
PDF
|
| dspace.mit.edu |
PDF
|
| dspace.mit.edu |
PDF
|
| sciencedirect.com |
PDF
|
| doi.org |
DOI
|
| finale.seas.harvard.edu |
PDF
|
| arxiv.org |
PDF
|
| github.com |
Code
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| arxiv.org |
PDF
|
| nature.com |
PDF
|
| proquest.com |
PDF
|
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
Страница https://clinicalml.org/publication готова к продвижению на 36%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: