例如学习程序要学习狗的概念，可以先提供给程序以各种动物，并告知程序哪些动物是狗，哪些不是狗，系统学习后便概括出狗的概念模型或类型定义，利用这个类型定义就可作为动物世界中识别狗的分类的准则。这种构造类型定义的任务称为概念学习，当然这个任务所使用的技术必须依赖于描述类型（概念）的方法。归纳推理不是保真的，它是保假的，由特定的观察和归纳生成的知识不可能证明其正确性，而演绎推理才是保真的。例如，由“所有鸟都是动物”推出“麻雀是动物”，这是演绎推理，前提真结论必真。又如，由“麻雀会飞”推出“所有鸟都会飞”，这是归纳推理，前提真结论不一定真。再如，由“麻雀是植物”推出“所有鸟都是植物”，前提假结论必假，这是归纳推理的保假性。此外，对给定的前提，理论上存在无限多归纳结论。因此需要在归纳中依据倾向性、假设和约束最后仅考虑其中少数结论。
　　实例学习要求从环境中得到一些特殊的实例（这些实例事先由教师划分为正例和反例两类），并由这些实例进行归纳推理，导出一般性规则。给系统提供的这些供学习的正例和反例所包含的是非常低级的信息，系统经学习环节可归纳出高水平的信息，并且在一般情况下，可用这些规则指导执行环节的操作。
　　实例学习不仅可以学习概念，也可获得规则。这样的实例学习一般是通过所谓的实例空间和规则空间的相互转化来实现学习的。实例空间存放着系统提供的实例和训练事件，规则空间存放着由实例归纳出的规则。学习结束之前，这些规则称为假设规则。反过来，这些规则又需要进一步用实例空间的实例来检验，同时也需要运用实例空间中的实例所提供的启发式信息来引导对规则空间的搜索。所以，实例学习可以看作是实例空间和规则空间相互作用的过程。
　　本章将对实例学习的部分方法进行详细的讨论，具体内容见5.4实例学习方法。