Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
MLinside - школа ML
Відкрити в Telegram
Предзапись на 4 поток курса "База ML": https://vk.cc/cQ7AkI Наши курсы: https://taplink.cc/mlinside Чат коммьюнити: @ml_insidechat По вопросам: @marinagartm
Показати більше3 789
Підписники
+424 години
+137 днів
+8130 день
Триває завантаження даних...
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
червень '26
червень '26
+69
в 0 каналах
травень '26
+140
в 1 каналах
Get PRO
квітень '26
+139
в 1 каналах
Get PRO
березень '26
+102
в 0 каналах
Get PRO
лютий '26
+97
в 0 каналах
Get PRO
січень '26
+144
в 0 каналах
Get PRO
грудень '25
+130
в 0 каналах
Get PRO
листопад '25
+140
в 0 каналах
Get PRO
жовтень '25
+162
в 0 каналах
Get PRO
вересень '25
+235
в 1 каналах
Get PRO
серпень '25
+219
в 0 каналах
Get PRO
липень '25
+234
в 0 каналах
Get PRO
червень '25
+250
в 2 каналах
Get PRO
травень '25
+263
в 1 каналах
Get PRO
квітень '25
+190
в 0 каналах
Get PRO
березень '25
+112
в 0 каналах
Get PRO
лютий '25
+100
в 0 каналах
Get PRO
січень '25
+93
в 0 каналах
Get PRO
грудень '24
+188
в 3 каналах
Get PRO
листопад '24
+95
в 1 каналах
Get PRO
жовтень '24
+136
в 3 каналах
Get PRO
вересень '24
+96
в 2 каналах
Get PRO
серпень '24
+1 446
в 2 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 09 червня | +45 | |||
| 08 червня | +4 | |||
| 07 червня | +2 | |||
| 06 червня | +3 | |||
| 05 червня | +1 | |||
| 04 червня | +5 | |||
| 03 червня | +3 | |||
| 02 червня | +3 | |||
| 01 червня | +3 |
Дописи каналу
| 2 |  Внимание-внимание, рубрика «ML в реальной жизни» прибывает со второй задачкой
Да, это продолжение нашей рубрики, где мы задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №2:
Ситуация:
Обнаружен дрейф признака. Но не ясно, что с ним делать
Контекст:
Система мониторинга показала значительный дрейф распределения одного из ключевых признаков (например, время активности пользователя). Модель ещё не деградировала по метрикам, но вы видите, что данные "поехали". Ресурсы на срочный рефакторинг пайплайна ограничены.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside | 766 |
| 3 | Бывало ли у вас такое, что модель работала отлично, а потом внезапно начала терять качество?
Главная ошибка в такой ситуации – сразу же запускать переобучение, потому что в продакшене деградация модели может быть связана с разными причинами: изменились входные данные, поменялось поведение пользователей, появились новые бизнес-сценарии или проблема вообще не в модели.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) разбирает одну из самых важных тем для ML-инженеров – Data Drift и Concept Drift.
Вы узнаете, чем отличается изменение распределения данных от изменения самой зависимости между признаками и целевой переменной, как эти проблемы проявляются в реальных ML-системах и почему автоматический retraining часто не решает проблему, а иногда даже ухудшает ситуацию.
Кому будет полезно видео:
▪️ML-инженерам и Data Scientists
▪️Специалистам, работающим с продакшн-моделями
▪️Студентам и начинающим специалистам в ML
▪️AI Engineers и MLOps-инженерам
▪️Всем, кто хочет лучше понимать жизненный цикл ML-моделей
Нашли себя в этом списке? Тогда велком на удобную для вас платформу:
https://youtu.be/ix3XCTglkIc
https://vkvideo.ru/video-228219607_456239233
https://dzen.ru/video/watch/6a214c829804be60200348e1 | 809 |
| 4 | Ищем руководителей и менеджеров для исследования использования ИИ в работе
Мы проводим серию интервью с руководителями и менеджерами. Хотим разобраться, какие рабочие задачи они решают с помощью ИИ, что уже внедряют в свои процессы и какие сложности возникают на практике.
Кого ищем:
▪️Руководителей команд
▪️Руководителей направлений
▪️Руководителей отделов
▪️Product-менеджеров
▪️Project-менеджеров
▪️Предпринимателей
Что хотим узнать:
▪️Какие задачи занимают больше всего времени
▪️Для чего уже используется ИИ
▪️Что получается автоматизировать, а что не получается
▪️Каких знаний и инструментов не хватает
Что конкретно от вас требуется:
Если вы руководитель или менеджер, заполните короткую анкету на 2–3 минуты.
Если у вас есть чуть больше времени и вы готовы ответить на дополнительные вопросы, мы будем рады пригласить вас на интервью продолжительностью 20-30 минут в любое удобное для вас время.
С нас, базово, улучшить наши курсы, чтобы они отвечали вашим потребностям, ну и конечно же промокод со скидкой на подписку специализации "AI и анализ данных".
Анкета в яндекс формах: https://forms.yandex.ru/u/6a1fd4666d2d734f2bf67756 | 1 129 |
| 5 | Учимся на практике: решаем реальные ML-задачки
Продолжаем рубрику #петпроект_MLinside – тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.
Тринадцатая задача
Что нужно сделать: посмотреть на исторические данные об Олимпийских играх, найти зависимости и тренды
Как можно сделать:
▪️Определить топ 5 стран с наибольшим количеством уникальных спортсменов в первый год за который есть данные и за последний, построить графики количества спортсменов для этих стран в зависимости от года
▪️Разделить данные на летние и зимние игры, затем сделать действия из прошлого пункта, изменился ли топ и графики?
▪️Определить максимальное количество золотых и любых медалей завоеванных одним и тем же человеком
▪️Определить для каждого года количество спортсменов которые начали выступать за другую страну
▪️Определить у какого спорта меньше всего уникальных человек завоевывали медали
▪️и т.д.
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/heesoo37/120-years-of-olympic-history-athletes-and-results
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1jiwqav41cNlmn9FUn75WMCLES3H8-DQH?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside | 1 217 |
| 6 | ML-инженеров скоро заменит AI?
На фоне бума LLM и нейросетей всё больше людей уверены, что профессия ML-инженера исчезнет уже в ближайшие годы. Но действительно ли всё так просто?
На практике ML, это давно не только “обучение модели”. Современные ML-системы– это инфраструктура, данные, продуктовые ограничения, бизнес-логика и постоянная поддержка моделей в production. И чем активнее компании внедряют AI, тем сложнее становятся сами ML-системы.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, ex-Yandex и эксперт MLinside) разбирает, почему развитие AI не убивает профессию ML-инженера, а меняет её роль внутри индустрии.
Кому будет полезно это видео:
• начинающим ML-инженерам — чтобы понять, как реально устроена профессия;
• Data Scientist и аналитикам — чтобы увидеть, как ML работает в production;
• backend и software engineers — чтобы разобраться, как ML интегрируется в большие системы;
• студентам и тем, кто хочет войти в AI/ML — чтобы понять перспективы индустрии;
• всем, кто переживает, что AI “заменит программистов” — чтобы посмотреть на развитие технологий без хайпа.
Ссылки на видео:
https://youtu.be/fgkz3qyRxkY
https://vk.com/video-228219607_456239232
https://dzen.ru/video/watch/6a196939320fd81ff68a0765 | 1 241 |
| 7 |  Устали от «идеальных» ML-кейсов?
Где данные всегда чистые, метрики стабильные, а модель после обучения сразу готова к продакшену. Ведь в реальной работе всё иначе: метрики могут упасть за ночь, данные – измениться, а решение нужно принимать быстро, да еще и с неполной информацией.
Поэтому мы запускаем новую рубрику «ML в реальной жизни» – здесь будут ситуации, с которыми сталкиваются ML/DS-команды в продакшене. Сразу же предупредим, что в этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №1:
Ситуация:
Метрики упали на 40% за ночь
Контекст:
В продакшене работает модель прогнозирования оттока. Утром вы видите:
— precision упал с 0.82 до 0.49
— recall — с 0.76 до 0.41
Последний деплой модели был 3 дня назад, изменений в пайплайне не было. Данные поступают из того же источника.
Внимание, вопрос:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside | 1 667 |
| 8 | Как перейти со стажера на джуна в ML?
Многие стажёры в ML уверены: если знаешь Python, sklearn и можешь обучить модель, значит уже готов к позиции junior. Но на практике переход из стажёра в джуна зависит не только от технических знаний.
На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside), разбирает, какие навыки действительно важны для роста в ML, что ожидают команды от начинающих специалистов и почему одних ноутбуков с моделями недостаточно.
Также, в видео Александр расскажет: какие технические навыки считаются обязательным минимумом для junior ML engineer, почему софт скилы часто решают больше, чем алгоритмы, как правильно проявлять инициативу в команде, по каким причинам стажёров не переводят в штат после испытательного срока, а также, поговорим про разницу между требованиями бигтеха и небольших компаний, ожидания тимлидов и реальные критерии роста внутри ML-команд.
Кому будет полезно видео:
▪️Стажёрам в ML — чтобы понять, чего реально ждут от junior-специалиста
▪️Тем, кто хочет попасть в первую ML-команду — чтобы избежать типичных ошибок на старте
▪️Начинающим ML-инженерам — чтобы быстрее расти внутри команды и понимать процессы продакшна
▪️Студентам и новичкам в Data Science — чтобы увидеть, как выглядит работа ML-инженера за пределами ноутбуков
▪️Тем, кто проходит стажировку прямо сейчас — чтобы повысить шансы на оффер после испытательного срока
Ссылки на видео на разных площадках:
https://youtu.be/_ZdaCJnRoLY
https://vkvideo.ru/video-228219607_456239221
https://dzen.ru/video/watch/6a0ef27e1059563825902c56 | 1 501 |
| 9 | Обновили информацию по курсу ML System Design с Валерием Бабушкиным
▪️Старт курса переносится на 1 июля
▪️Актуальная стоимость курса — 178 500 ₽
Информация на сайте уже обновлена.
Дополнительный месяц до старта используем, чтобы сделать программу ещё сильнее: добавляем новые материалы по agentic AI и проектированию современных AI-систем.
Спасибо всем, кто уже оставил заявки и интересуется курсом | 1 598 |
| 10 | Валерий Бабушкин и тот самый курс по ML System Design в MLinside
Если вы давно хотели разобраться, как проектируют ML-системы в реальных продуктах – это то, что вам нужно.
Курс посвящён проектированию ML-систем для реальных продуктов: работе с архитектурой, пайплайнами обучения, deployment-процессами, мониторингом моделей, оптимизацией инференса и поддержкой ML под нагрузкой. Также на курсе разберём подходы к проектированию современных агентских AI-систем и интеграции LLM в production-инфраструктуру.
На курсе вы научитесь:
▪️проектировать ML-системы под реальные ограничения
▪️строить ML design docs
▪️выбирать метрики и функции потерь
▪️выстраивать пайплайны обучения
▪️анализировать ошибки моделей
▪️внедрять ML в продукт
▪️мониторить качество моделей в продакшене
▪️оптимизировать инференс под нагрузку
Курс подойдёт ML-инженерам, тимлидам ML-команд и начинающим специалистам, которым нужен системный взгляд на ML.
Преподаватель – Валерий Бабушкин, наверняка он не нуждается в представлении, но всё же:
▪️Senior Director по Data & AI в BP
▪️грандмастер Kaggle
▪️автор книги Machine Learning System Design.
Курс будет идти 4 месяца и вас ждут 60 занятий, реальные кейсы, разбор design docs, архитектурные решения из production ML, а главное – live-обсуждения и ревью с Валерием. Посмотреть сайт можно тут.
Это курс для тех, кто хочет перейти от “умею обучать модели” к “умею строить ML-системы”.
Стартуем 1 июня, количество мест ограничено. Записаться можно по ссылке. | 21 634 |
| 11 | Учимся на практике: решаем реальные ML-задачки
Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.
Двенадцатая задача
Что нужно сделать: по информации о разных приложениях нужно понять какое приложение лучше всего сделать: для большего охвата, для лучшего рейтинга, для того чтобы заработать больше денег и тд
Как можно сделать:
▪️Визуализировать данные для разных классов: платные/бесплатные, разные категории, количество установок и т.д.;
▪️Применить K-Means или DBSCAN;
▪️Обучить различные классификаторы и сравнить их качество.
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/lava18/google-play-store-apps
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1szMUL7MLxQVH9ZubsyP-LDbyCZ7rKBLF?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside | 1 619 |
| 12 |  Мифы о машинном обучении, в которые все верят
Машинное обучение окружено мифами: кто-то думает, что модели всё делают сами, кто-то – что нейросети всегда лучше, а кто-то ждёт от ML точных предсказаний будущего.
На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) разбирает самые распространённые заблуждения про ML и объясняет, как всё работает на самом деле.
На реальных примерах вы увидете, почему качество данных важнее алгоритма, где нейросети действительно дают преимущество, а где уступают более простым моделям, и почему ML это всегда про вероятности, а не точные прогнозы.
В конце видео разбор того, как на самом деле устроены ML-проекты и почему за каждой моделью стоит целая команда.
Кому будет полезно это видео:
• Новичкам в ML: чтобы сразу понять, как всё устроено на практике и не строить нереалистичных ожиданий
• Тем, кто думает войти в AI/ML: чтобы увидеть реальную картину индустрии, а не маркетинговый образ
• Junior ML-инженерам: чтобы систематизировать базовые принципы и избежать типичных ошибок
• Продактам и аналитикам: чтобы понимать ограничения ML и корректно ставить задачи
• Разработчикам из других областей: чтобы разобраться, как ML встраивается в реальные продукты
Если нашли себя в этом списке, велком на удобную площадку:
https://youtu.be/43lRV_c-7KY
https://vkvideo.ru/video-228219607_456239209
https://dzen.ru/video/watch/69fc717bef3f37622de46128
P.S. 18 мая у нас запускается второй поток курса по Математике для машинного обучения. Посмотреть программу можно на сайте.
Или заполните форму и менеджер свяжется с вами, ответит на все вопросы и подарит промокод на скидку: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f | 1 460 |
| 13 | Мы начинаем вебинар "Формула Байеса в ML", подключайтесь: https://mlinside.getcourse.ru/pl/webinar/show?id=3283658 | 1 534 |
| 14 | Байес в ML всплывает не тогда, когда вы «изучаете математику», а когда модель начинает принимать решения, которые сложно объяснить интуитивно
И именно в этот момент обычно возникает вопрос: что вообще происходит внутри? 14 мая в 19:00 МСК именно это и разберём на вебинаре «Почему без формулы Байеса вы не понимаете, как работает ML».
Это не будет разговор про «математику ради математики», а скорее про то, как модели на самом деле пересчитывают вероятности, почему они меняют свои предсказания при появлении новых данных и как это связано с базовой логикой вероятностного вывода.
Спикер – Сергей Жестков, преподаватель с 10+ летним опытом, работавший с курсами для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ. Он разберёт формулу Байеса через прикладные примеры, чтобы стало понятно, где именно она «живёт» в машинном обучении.
Также в обсуждении примет участие Виктор Кантор — как дополнительный участник, который поможет связать тему с более широким контекстом математики в ML и обучением в целом.
Обоим спикерам можно будет задать вопросы по ходу вебинара.
Если еще не регистрировались, ссылка тут: https://t.me/ml_insideBot?start=web140526 | 1 943 |
| 15 | Вероятность выпадения орла равна: | 1 858 |
| 16 |  Продолжаем нашу рубрику с математическими задачками
Если хотите прокачать прикладное математическое мышление, рубрика как раз для вас. А умение быстро разбираться в задачах, видеть структуру и находить решения без громоздких вычислений – супер полезно не только в теории, но и в практике ML, где часто важно быстро оценить поведение системы, вероятность исходов или логику процесса.
Вторая задачка:
Симметричную монету бросают до первого выпадения орла. С какой вероятностью орел выпадет в попытке с четным номером?
#math_MLinside | 1 848 |
| 17 |  Топ-5 ошибок при изучении математики для ML
Многие начинают изучать машинное обучение через библиотеки вроде sklearn или PyTorch и уверены, что всё понимают, пока модель не начинает вести себя непредсказуемо. В этот момент становится ясно: проблема не в коде, а в математике, которая за ним стоит. И у нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) подробно объясняет, какие подходы к изучению математики не работают.
Он разбирает, почему университетский стиль обучения часто не подходит для ML, зачем нужна интуиция вместо заучивания формул, как связать математику с кодом и почему попытка сразу идти в deep learning без базы приводит к поверхностному пониманию. В конце вас ждет практический ориентир: какой уровень математики вам реально нужен и как его достичь.
Кому будет полезно видео и почему:
▪️Новичкам в ML чтобы не тратить месяцы на изучение математики “впустую” и сразу выстроить правильный подход
▪️Тем, кто уже пишет модели, но не чувствует уверенности: чтобы понять, что именно происходит внутри алгоритмов
▪️Тем, кто готовится к ML-собеседованиям: чтобы закрыть пробелы, которые часто проверяют на интервью
▪️Практикующим специалистам: чтобы перестать воспринимать модели как “чёрный ящик” и лучше контролировать их поведение
▪️Тем, кто застрял в обучении: чтобы понять, какие ошибки тормозят прогресс и как их исправить
Если нашли себя в этом списке, обязательно посмотрите видео, оно будет вам полезно:
https://youtu.be/56lmuMYBDyw
https://vk.com/video-228219607_456239220
https://dzen.ru/video/watch/69fc4a5a66544869fb85a1ba
P.S. 14 мая в 19:00 МСК пройдет бесплатный вебинар "Формула Байеса в ML" с Сергеем Жестковым. На вебинаре мы подарим скидку на курс и чек-лист с самопроверкой вашего уровня математики для ML, регистрация по ссылке: https://t.me/ml_insideBot?start=web140526
А 18 мая у нас запускается второй поток курса по Математике для машинного обучения. Посмотреть программу можно на сайте: https://mlinside.ru/math-for-ml/?utm_source=youtube&utm_medium=social&utm_campaign=video_08_05_26
Или заполните форму и менеджер свяжется с вами, ответит на все вопросы и подарит промокод на скидку: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f | 1 692 |
| 18 |  Почему без формулы Байеса вы не понимаете, как работает ML
Многие заходят в ML через код и модели, обучают, получают метрики и на этом этапе всё кажется понятным. Но, как только нужно пойти чуть глубже – улучшить модель или разобраться в ошибках, обязательено возникает вопрос:
«Почему модель принимает именно такие решения?»
▪️Можно посмотреть на метрики.
▪️Можно попробовать перебрать параметры.
▪️Можно визуализировать данные.
Но ответ на вышеозвученный вопрос это не даст.
Наверняка вы знаете, что внутри модели скрывается вполне конкретная логика работы с вероятностями. Модель постоянно пересчитывает, насколько одно событие вероятно с учётом новых данных и делает это по строгим математическим правилам.
Одно из базовых – формула Байеса.
Но при этом для большинства это остаётся просто формулой из учебника, без понимания, как она реально применяется в ML. Именно поэтому мы решили взять эту тему на вебинар, который проведем 14 мая в 19:00 МСК.
Спикер вебинара Сергей Жестков (10+ лет преподавания, курсы для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ), он же преподаватель курса «Математика для ML».
На вебинаре мы разберём формулу Байеса на конкретных примерах, чтобы у вас не осталось вопросов, как модель:
▪️оценивает вероятность;
▪️учитывает новые данные;
▪️и меняет своё решение.
Кому будет полезен вебинар:
— тем, кто хочет войти в ML, но откладывает из-за математики;
— тем, кто уже пробовал обучать модели, но не до конца понимает, что происходит внутри;
— тем, кто готовится к собеседованиям.
14 мая в 19:00 МСК
Вебинар бесплатный, с вас только регистрация: https://t.me/ml_insideBot?start=web140526
P.S. А всем, кто придёт на вебинар, мы подарим скидку на курс и чек-лист с самопроверкой вашего уровня математики для ML | 1 466 |
| 19 | Математика по-прежнему остаётся главным стоп-фактором в ML
«Я не понимаю производные»,
«Матрицы – это сложно»,
«Вероятность – вообще мимо меня»
Это если сделать выжимку того, что нам писали в комментариях под математическими видео, говорили на кастдевах и писали менеджерам, когда мы запускали первый поток курса “Математика для ML”
И наш главный вывод после первого потока:
Математику можно объяснить понятно, если давать только то, что реально нужно в ML. Без перегруза и «академической воды», а с упором на применение в реальной работе.
И сейчас мы открываем второй поток курса. Спикер прежний – Сергей Жестков (10+ лет преподавания, курсы для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ)
Что изменилось во втором потоке:
Мы переработали программу на основе обратной связи с первого запуска:
▪️упростили сложные блоки;
▪️усилили практическую часть;
▪️убрали лишнее и добавили больше примеров из ML.
И у нас получился не совсем “курс по математике” в классическом смысле, а скорее база, которая нужна, чтобы:
▪️понимать, как работают модели
▪️не теряться на собеседованиях
▪️спокойно идти в ML дальше (курс особенно актуален, если вы планируете идти на поток «База ML»)
Посмотреть программу и стоимость можно на сайте.
А предзапись на второй поток уже открыта, заполните форму и менеджер свяжется с вами и расскажет детали: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f/ | 1 985 |
| 20 | Как и обещали, публикуем объяснение верного ответа:
Компьютеры хранят числа с плавающей точкой в двоичной системе (по стандарту IEEE 754), то есть 0.5 = ½, полностью представимо в двоичной системе, а 0.1 точно непредставима в двоичной системе, если немного округлить, то получится 0.100000000000000001. В первом примере получилось так что сумма дала отличное от 0.3 битовое число, во втором и третьем тоже отличные числа, но так совпало что они представлены одним и тем же битовым адресом | 1 611 |
