Webseiten-Bericht für muriz.ch

muriz.ch

Webseiten-Bericht für muriz.ch

 Generiert am 21 März 2026 16:49 PM

Aktuelle Statistiken? UPDATE !

Der Wert ist 63/100

SEO Inhalte

Die Inhaltsanalyse zeigt, ob Seitentitel, Beschreibungen, Überschriften, Bilder und Textstruktur Suchmaschinen und Besuchern klare Signale geben.

Seitentitel

Muriz Serifovic

Länge : 15

Der Seitentitel von muriz.ch ist mit 15 Zeichen gut dimensioniert und liegt im empfohlenen Bereich von 10 bis 70 Zeichen. Damit bekommen Suchmaschinen und Besucher schon in der Ergebnisliste einen klaren ersten Hinweis auf den Inhalt.

Seitenbeschreibung

Muriz Serifovic

Länge : 15

Bei muriz.ch ist die Seitenbeschreibung vorhanden, aber mit 15 Zeichen nicht optimal abgestimmt. Empfehlenswert sind 70 bis 160 Zeichen, damit die Vorschau weder zu knapp noch unnötig lang wirkt. Zur Längenprüfung können Sie dieses kostenlose Werkzeug nutzen.

Suchbegriffe

muriz serifovic, machine learning, deep learning, data science, portfolio, resume

Auf muriz.ch sind Meta-Suchbegriffe hinterlegt. Auch wenn dieses Feld heute weniger Gewicht hat als früher, zeigt es, dass zentrale Themen der Seite bewusst benannt wurden.

Og META Eigenschaften

Für muriz.ch wurden keine OG Properties erkannt. Eigene Open-Graph-Daten helfen, Titel, Beschreibung und Bild beim Teilen der Seite besser zu steuern. Mit diesem kostenlosen Werkzeug lassen sich passende OG-Angaben erstellen.

Überschriften

H1 H2 H3 H4 H5 H6
3 16 3 0 8 0
  • [H1] Muriz Serifovic
  • [H1] Blog
  • [H1] go to top
  • [H2] research work.
  • [H2] Topological Analysis of Alzheimer's Disease Progression via Persistent Homology
  • [H2] Deep Learning Methods for Diabetic Retinopathy Classification in Fundus Images
  • [H2] A Categorical Framework for Shannon's Information Theory
  • [H2] Reconstructing Sentences in YouTube Subtitles with Convolutional Neural Networks
  • [H2] Extracting Key Passages from YouTube Talks via Graph Centrality
  • [H2] Food Image Recognition for Recipe Retrieval
  • [H2] Genetic Algorithm for Image Approximation with Overlaid Image Instances
  • [H2] Approximating Images with a Single Continuous Thread
  • [H2] latest from the blog.
  • [H2] Image-to-Recipe Translation with Deep Convolutional Neural Networks
  • [H2] Profiling and Optimizing Python Algorithms in Scientific Environments
  • [H2] Implementing Long short-term memory (LSTM) with NumPy
  • [H2] Composing Novel Sound with Neural Networks
  • [H2] Deploy on Kubernetes with Python, FastAPI and Helm
  • [H2] Muriz Serifovic
  • [H3] About Me
  • [H3] Resume
  • [H3] Machine Learning Engineer
  • [H5] Nov. 2021
  • [H5] Jun. 2021
  • [H5] Apr. 2020
  • [H5] Jan. 2019
  • [H5] Dec. 2018
  • [H5] Dec. 2017
  • [H5] Oct. 2016
  • [H5] Nov. 2015

Bilder

Es konnten 6 Bilder auf dieser Webseite gefunden werden.

Auf muriz.ch wurden 6 Bilder erkannt, und die meisten davon besitzen ein ALT-Attribut. Das unterstützt Barrierefreiheit, Bildersuche und die inhaltliche Einordnung der visuellen Elemente.

Text/HTML Verhältnis

Anteil : 34%

Der gemessene Textanteil von muriz.ch beträgt 34%. Damit befindet sich die Seite im empfohlenen Korridor von 25% bis 70% und wirkt inhaltlich gut gefüllt.

Flash

muriz.ch verzichtet auf Flash-Inhalte. Dadurch bleibt die Seite technisch zeitgemäßer und für Nutzer wie Suchmaschinen leichter zugänglich.

IFrame

muriz.ch verwendet keine IFrames. Dadurch liegen die wichtigsten Inhalte direkt im Dokument und sind für Suchmaschinen einfacher zu erfassen.

Eine klare Linkstruktur erleichtert Suchmaschinen das Crawlen, verteilt interne Relevanz und hilft Besuchern, wichtige Inhalte schnell zu finden.

URL Rewrite

Die URLs von muriz.ch sind gut lesbar und wirken suchmaschinenfreundlich. Sprechende Links helfen Nutzern und Crawlern, den Inhalt einer Seite bereits anhand der Adresse besser einzuschätzen.

Underscores in the URLs

muriz.ch verwendet keine Unterstriche in den geprüften Links. Das unterstützt eine klare und übliche URL-Schreibweise.

In-page links

We found a total of 29 links including 0 link(s) to files

Anker Typ Natürlich
Skip to main content intern natürliche Links
Hesiod Technologies extern natürliche Links
DeepChef extern natürliche Links
Möbius Code Editor intern natürliche Links
Sharead extern natürliche Links
ha-index extern natürliche Links
Tell me more intern natürliche Links
Visit Blog intern natürliche Links
GitHub extern natürliche Links
Nov. 2021 Topological Analysis of Alzheimer's Disease Progression via Persistent Homology We give a tiny introduction to persistent homology, a tool from algebraic topology, and apply it to analyze spatiotemporal patterns in neurodegenerative diseases. Brain connectivity is modeled as a simplicial complex, where neurons are vertices and synaptic connections form higher-dimensional simplices. As disease progresses, we track topological features (connected components, loops, voids) across a filtration parameter \(\epsilon\): $$ \beta_k(\epsilon) = \dim H_k(K_\epsilon), $$ where \(\beta_k\) are the Betti numbers measuring \(k\)-dimensional holes. Neuroscience Mathematics Medicine 63 visits / month intern natürliche Links
Jun. 2021 Deep Learning Methods for Diabetic Retinopathy Classification in Fundus Images A tiny literature review of deep learning approaches for classifying diabetic retinopathy (DR) severity from 2D fundus images. DR is usually graded on a 5-point scale, making this a standard multi-class classification problem where models minimize cross-entropy: $$ \mathcal{L} = -\sum_{c=0}^{4} y_c \log(\hat{p}_c). $$ We survey architectures (ResNet, EfficientNet, U-Net variants, etc.) and "tricks" for vessel segmentation, lesion detection, and severity grading as reported in the medical imaging literature. Computer Vision Medicine intern natürliche Links
Dec. 2018 Extracting Key Passages from YouTube Talks via Graph Centrality Predicted importances (red) over time, smoothed by Weierstrass transform. Given speech-to-text subtitles of YouTube talks, we identify the most "important" passages (who has time to watch a 3h talk?) using a graph-based approach inspired by PageRank, without any labeled data. Words are simply represented as GloVe embeddings, and connected based on semantic similarity. Sentence importance is then computed by aggregating word "centrality scores": $$ S(v_i) = (1-d) + d \sum_{v_j \in \mathcal{N}(v_i)} \frac{w_{ji}}{\sum_{v_k} w_{jk}} S(v_j) $$ where \(d\) is a damping factor and \(w_{ji}\) measures semantic relatedness between words. Natural Language Processing GitHub 17 visits / month intern natürliche Links
Dec. 2017 Food Image Recognition for Recipe Retrieval Dual-CNN architecture: InceptionV3 and VGG-16 predictions fused via weighted scoring. We propose a dual-CNN ensemble approach that combines semantic and visual similarity for food image retrieval. Given a query image \(x\), two networks process it in parallel: InceptionV3 (fine-tuned on 230 food categories) produces category probabilities, while VGG-16 (pretrained on ImageNet) extracts a 4096-dimensional feature vector \(\phi(x) \in \mathbb{R}^{4096}\) from its fc2 layer: $$ P(c \mid x) = \text{softmax}(W_{\text{Inc}} \cdot f_{\text{Inc}}(x))_c. $$ The VGG features are projected into PCA space \(\phi_{\text{PCA}}(x) = T(\phi(x)) \in \mathbb{R}^{d'}\), where NMSLIB's HNSW algorithm performs approximate nearest neighbor search to retrieve \(K=20\) visually similar recipe images. Our weighting_neural_net_inputs() function then "merges" both signals: for each ANN candidate \(i\) with predicted category \(c_i\), we compute a weighted score by matching it against InceptionV3's top-\(K\) predictions: $$ s_i = \begin{cases} P(c_i \mid x) & \text{if } c_i \in \{\text{top-}K \text{ Inception categories}\} \\ 0 & \text{otherwise.} \end{cases} $$ Final results are sorted by \(s_i\) in descending order. This weighted combination allows visually similar candidates (from ANN) to be re-ranked by semantic confidence (from InceptionV3), outperforming either network in isolation. Machine Learning GitHub 128 visits / month extern natürliche Links
Oct. 2016 Genetic Algorithm for Image Approximation with Overlaid Image Instances Mona Lisa approximated with 250 overlaid image instances. Will Smith approximated over 120'000 generations. Given a target image \(T\) (e.g., Mona Lisa) and a transparent source image \(S\), we seek to approximate \(T\) by overlaying \(N=250\) transformed copies of \(S\). Each candidate solution is encoded as DNA \(= [g_1, g_2, \ldots, g_{250}]\) where each gene \(g_i = (x, y, s, \theta, \alpha) \in \mathbb{Z}^5\) specifies position, scale, rotation, and opacity. The optimization objective is: $$ \text{DNA}^* = \arg\max_{\text{DNA} \in \mathcal{D}} f(\text{DNA}) $$ where \(\mathcal{D}\) is the search space of all possible DNA configurations. Because this landscape is non-convex with exponentially many local optima, we employ a genetic algorithm with tournament selection, crossover, and mutation. The fitness function measures image similarity via root mean square: $$ f(\text{DNA}) = \frac{1}{\sqrt{\frac{1}{N}\sum_{i=1}^{N} d_i^2}} $$ where \(d_i\) is the pixel-wise RGB difference between \(T\) and the rendered phenotype. After 120'000 generations, the algorithm achieves 93.071% similarity for the Mona Lisa. Mathematical Optimization GitHub intern natürliche Links
Nov. 2015 Approximating Images with a Single Continuous Thread Portrait approximated by 6'000 line segments. Thread path construction animation (4x speed). Inspired by recent viral string art, we approximate any grayscale image using a single thread wound between nails arranged on a circular frame. Given \(n\) nails, the ideal formulation is a constrained least-squares problem: let \(A \in \mathbb{R}^{m \times \binom{n}{2}}\) encode pixel coverage for each possible line, and \(y \in \mathbb{R}^m\) be the target image: $$ \min_{x \geq 0} \|Ax - y\|_2^2 \quad \text{subject to } x \text{ forms a valid path}. $$ In practice, we use a fast greedy heuristic: at each step, select the darkest line from the current pin (evaluating only \(\sim 180\) candidates, not all \(\binom{n}{2}\) possibilities), then move to its endpoint. This runs in \(O(T \cdot n \cdot m)\) time where \(T\) is the number of lines, \(n\) is the number of pins, and \(m\) is the number of pixels sampled per line. The continuous thread constraint ensures consecutive lines share an endpoint, producing a path that can be physically reconstructed. With e.g. 6'000 segments, images emerge from pure geometry. Mathematical Optimization GitHub intern natürliche Links
Image-to-Recipe Translation with Deep Convolutional Neural Networks We present a novel retrieval-based approach for recipe prediction using a re-ranking scheme. 9 Sept 2018 extern natürliche Links
Profiling and Optimizing Python Algorithms in Scientific Environments Find bottlenecks and increase pythons speed performance by magnitudes... 1 Jan 2019 extern natürliche Links
Blog Visit my blog where I share more (quite infrequently) about TDA, Neural Networks, Causal Learning, CNNs, ... intern natürliche Links
back to top intern natürliche Links
Hesiod Technologies extern natürliche Links
DeepChef extern natürliche Links
Möbius Code Editor intern natürliche Links
Sharead extern natürliche Links
ha-index extern natürliche Links
Tell me more intern natürliche Links
Résumé intern natürliche Links
- intern natürliche Links
go to top intern natürliche Links
Copyright © 2026 by Muriz Serifovic intern natürliche Links

SEO Suchbegriffe

Die Suchbegriffsauswertung zeigt, welche Themen die Seite tatsächlich vermittelt und ob wichtige Begriffe in Inhalt und Seitenelementen konsistent vorkommen.

Suchbegriffswolke

images from github deep image mathematical networks neural model learning

Keywords Consistency

Suchbegriff Inhalt Seitentitel Suchbegriffe Seitenbeschreibung Überschriften
learning 12
from 12
image 11
images 6
deep 6

Benutzerfreundlichkeit

Gute Benutzerfreundlichkeit stärkt Vertrauen und erleichtert die Nutzung. Geprüft werden unter anderem URL, Favicon, Sprache und Druckdarstellung.

URL

Domain : muriz.ch

Länge : 8

Favoriten Icon

muriz.ch stellt ein Favicon bereit. Dieses kleine Symbol verbessert Wiedererkennung in Browser-Tabs, Lesezeichen und Suchergebnisumgebungen.

Druckeigenschaften

muriz.ch hat offenbar keine druckfreundliche CSS-Variante. Wenn Inhalte häufig ausgedruckt werden, lohnt sich eine angepasste Print-Darstellung.

Sprache

muriz.ch deklariert die Sprache als en. Das hilft Browsern, Suchmaschinen und Hilfstechnologien bei Aussprache, Darstellung und regionaler Einordnung.

Dublin Core

Bei muriz.ch wurden keine Dublin-Core-Elemente gefunden. Das ist nicht für jede Website zwingend, kann aber bei dokumentenartigen oder redaktionellen Inhalten nützlich sein.

Dokument

Sauberes HTML, eine korrekte Zeichencodierung und moderne Standards verbessern Kompatibilität, Zugänglichkeit und die zuverlässige Verarbeitung der Seite.

Doctype

HTML 5

Verschlüsselung

Der Zeichensatz von muriz.ch ist angegeben: UTF-8. Dadurch sinkt das Risiko fehlerhafter Zeichenanzeige in Browsern und Auswertungssystemen.

W3C Validität

Fehler : 0

Warnungen : 0

E-Mail Datenschutz

Auf muriz.ch wurde mindestens eine E-Mail-Adresse im Klartext gefunden. Solche Angaben können von Bots gesammelt werden. Mit diesem kostenlosen Werkzeug lassen sich Adressen besser schützen.

Veraltetes HTML

Im Quelltext von muriz.ch wurden keine deprecated HTML-Tags erkannt. Aktuelle HTML-Strukturen sind robuster für Browser und Validatoren.

Tipps zur Webseitengeschwindigkeit

muriz.ch nutzt keine verschachtelten Tabellen. Das macht Layout und Quelltext leichter wartbar und besser zugänglich.
muriz.ch nutzt CSS direkt in HTML-Elementen. Eine Auslagerung in CSS-Dateien kann den Quelltext übersichtlicher und besser wartbar machen.
muriz.ch verwendet mit 3 CSS-Dateien eine überschaubare Stylesheet-Struktur. Das kann Ladezeit und Wartung positiv beeinflussen.
Bei muriz.ch wurden viele JavaScript-Dateien erkannt. Prüfen Sie, ob nicht benötigte Skripte entfernt oder zusammengefasst werden können.
Gzip ist für muriz.ch aktiv. Komprimierte Antworten sparen Datenvolumen und beschleunigen die Auslieferung der Seite.

Mobile

Mobile Optimierung ist wichtig, weil viele Besucher Smartphones nutzen. Viewport, Icons und ungeeignete Technologien beeinflussen Darstellung und Bedienbarkeit.

Mobile Optimierung

Apple Icon
META Viewport Tag
Flash Inhalt

Optimierung

Sitemap, robots.txt, Komprimierung und Analysesysteme beeinflussen, wie effizient eine Website gecrawlt, ausgeliefert und gezielt weiterentwickelt werden kann.

XML-Sitemap

Fehlt

Für muriz.ch wurde keine XML-Sitemap gefunden. Eine Sitemap listet wichtige URLs und kann Suchmaschinen Hinweise zu Aktualisierung und Struktur der Website geben.

Robots.txt

http://muriz.ch/robots.txt

muriz.ch enthält eine robots.txt-Datei. Damit lassen sich Crawler-Regeln und der Hinweis auf die Sitemap zentral steuern.

Analytics

muriz.ch nutzt ein Analyse-Tool. Dadurch lassen sich Besucherinteraktionen messen und Optimierungen auf realen Nutzungsdaten aufbauen.

   Cloudflare Web Analytics

PageSpeed Insights

PageSpeed Insights bewertet Leistung, Barrierefreiheit, bewährte Verfahren und SEO für Desktop und Mobilgeräte und macht technische Bremsen sichtbar.

Gerät
Kategorien

Website-Überprüfung

Website-Überprüfung ist ein kostenloses SEO Werkzeug zur Analyse Ihrer Webseite