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

Seitentitel

Muriz Serifovic

Länge : 15

Perfekt, denn Ihr Seitentitel enthält zwischen 10 und 70 Anzahl Zeichen.

Seitenbeschreibung

Muriz Serifovic

Länge : 15

Ideal, aber Ihre Seitenbeschreibung sollte zwischen 70 und 160 Zeichen (Leerzeichen incinbegriffen) enthalten. Benutzen Sie dieses kostenlose Werkzeug um die Länge zu prüfen.

Suchbegriffe

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

Gut, denn Ihre Webseite enthält Suchbegriffe.

Og META Eigenschaften

Ihre Webseite nutzt nicht die Vorteile der Og Properties. Diese Angaben erlauben sozialen Suchmaschinenrobotern Ihre Webseite besser strukturiert zu speichern. Benutzen Sie dieses kostenlose Werkzeug um Og Properties zu erzeugen.

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.

Gut, denn die meisten Ihrer Bilder verwenden das ALT-Attribut.

Text/HTML Verhältnis

Anteil : 34%

Ideal! Das Text zu HTML Code Verhältnis dieser Webseite ist zwischen 25 und 70 Prozent.

Flash

Perfekt, denn es wurde kein Flash auf Ihrer Webseite gefunden.

IFrame

Großartig, denn Sie verwenden keine IFrames auf Ihrer Webseite.

URL Rewrite

Gut. Ihre Links sind für Suchmaschinen gut lesbar (sprechende Links)!

Underscores in the URLs

Perfekt! Wir haben keine Unterstriche in Ihren Links entdeckt.

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

Suchbegriffswolke

model github from neural image networks deep images mathematical learning

Keywords Consistency

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

Benutzerfreundlichkeit

URL

Domain : muriz.ch

Länge : 8

Favoriten Icon

Gut. Die Webseite hat ein Favicon.

Druckeigenschaften

Es konnten keine druckfreundlichen CSS-Angaben gefunden werden.

Sprache

Gut, denn Sie haben in den META-Elementen eine Sprache deklariert: en.

Dublin Core

Diese Webseite nutzt nicht die Vorteile der Dublin Core Elemente.

Dokument

Doctype

HTML 5

Verschlüsselung

Perfekt, denn Ihre Webseite deklariert einen Zeichensatz: UTF-8.

W3C Validität

Fehler : 0

Warnungen : 0

E-Mail Datenschutz

Achtung! Es wurde mindestens eine E-Mail Adresse im Klartext auf Ihrer Webseite gefunden. Benutzen Sie dieses kostenlose Werkzeug um E-Mail Adressen vor SPAM zu schützen.

Veraltetes HTML

Sehr gut! Sie verwenden aktuelle HTML Tags in Ihrem Webseitenquelltext.

Tipps zur Webseitengeschwindigkeit

Sehr gut, denn Ihre Webseite benutzt keine verschachtelten Tabellen.
Schlecht, denn es wurden CSS-Angaben in HTML-Elementen entdeckt. Diese Angaben sollten in ein entsprechendes CSS-Stylesheet verlagert werden.
Gut, denn Ihre Webseite enthält nur wenig CSS-Dateien.
Nicht so gut, denn Ihre Webseite enthält viele Javascript-Dateien (mehr als 12).
Gut! Sie nutzen die Vorteile von gzip.

Mobile

Mobile Optimierung

Apple Icon
META Viewport Tag
Flash Inhalt

Optimierung

XML-Sitemap

Fehlt

Ihre Webseite hat keine XML-Sitemap. Dies könnte Probleme machen.

Eine Sitemap listet alle URLs, die für einen Suchmaschinenzugriff verfügbar sind. Sie kann ebenfalls Angaben zu aktuellen Updates, Häufigkeit von Änderungen und zur Priorität der URLs enthalten. Dies erlaubt Suchmaschinen, Seiten effizienter auszuloten.

Robots.txt

http://muriz.ch/robots.txt

Sehr gut! Ihre Webseite enthält eine robots.txt-Datei.

Analytics

Sehr gut, Ihre Website hat ein Analyse-Tool.

   Cloudflare Web Analytics

PageSpeed Insights

Gerät
Kategorien

Website-Überprüfung

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