机器学习系统类型与主要挑战
1. 在线学习处理大数据集的挑战
在线学习面临一个重大挑战，即若向系统输入不良数据，系统性能会逐渐下降。在实时系统中，客户会察觉到这一变化。不良数据可能源于机器人故障的传感器，或者有人为在搜索结果中获得高排名而对搜索引擎进行的垃圾信息干扰。
为降低此风险，需密切监控系统。一旦发现性能下降，应立即停止学习，可能还需恢复到之前正常工作的状态。同时，也可对输入数据进行监控，利用异常检测算法对异常数据做出反应。
2. 基于实例与基于模型的学习
机器学习系统可根据泛化方式进行分类，多数机器学习任务旨在进行预测，即系统需依据训练示例对未见过的示例做出良好预测。泛化主要有两种方式：基于实例的学习和基于模型的学习。
2.1 基于实例的学习
最简单的学习方式或许是死记硬背。以创建垃圾邮件过滤器为例，若采用这种方式，它只会标记与用户已标记的垃圾邮件完全相同的邮件，这并非最佳解决方案。
更好的做法是，让垃圾邮件过滤器标记与已知垃圾邮件非常相似的邮件，这就需要一种衡量两封邮件相似度的方法。一种基本的方法是统计两封邮件共同拥有的单词数量，若一封邮件与已知垃圾邮件有很多共同单词，就将其标记为垃圾邮件。
基于实例的学习是指系统牢记示例，然后通过相似度衡量方法将新案例与已学习的示例（或其子集）进行比较，从而实现泛化。例如，在某些情况下，新实例会因与其最相似的多数实例属于某一类别，而被归类为该类别。
2.2 基于模型的学习
另一种泛化方式是根据一组示例构建模型，再用该模型进行预测，这就是基于模型的学习。
例如，想了解
