सीखने की सबसे सरल संरचना सादा याद रखना, या रटना सीखना है। चूंकि प्रशिक्षण उदाहरणों के एक समूह को याद किया गया है, एक नए उदाहरण का सामना करने पर स्मृति की जांच प्रशिक्षण उदाहरण के लिए की जाती है जो सबसे शक्तिशाली रूप से नए जैसा दिखता है।
एकमात्र समस्या यह है कि सदृश कैसे स्पष्ट किया जाए। सबसे पहले, यह उदाहरणों के समूह से निकाले गए "ज्ञान" का वर्णन करने का एक पूरी तरह से अलग तरीका है - यह उदाहरणों को स्वयं संग्रहीत करता है और उन नए उदाहरणों को जोड़कर काम करता है जिनकी कक्षा अज्ञात है जिनके वर्ग को जाना जाता है। नियम बनाने की कोशिश करने के बजाय, सीधे उदाहरणों से ही काम करें। इसे उदाहरण-आधारित शिक्षा कहा जाता है।
उदाहरण-आधारित शिक्षा में, सभी वास्तविक कार्य तब पूरे होते हैं जब प्रशिक्षण सेट संसाधित होने के बजाय एक नया उदाहरण परिभाषित करने का समय लगता है। इस दृष्टिकोण और दूसरों के बीच जो अंतर देखा जा सकता है वह वह समय है जब "सीखना" होता है।
उदाहरण-आधारित अधिगम निष्क्रिय है, वास्तविक कार्य को संभव मानते हुए स्थगित करना, जबकि विभिन्न विधियाँ उत्सुक हैं, जैसे ही डेटा देखा गया है, सामान्यीकरण करना। उदाहरण-आधारित वर्गीकरण में, प्रत्येक नए उदाहरण को दूरी मीट्रिक का उपयोग करके वर्तमान से अलग किया जाता है, और निकटतम मौजूदा उदाहरण का उपयोग कक्षा को नया बनाने के लिए किया जाता है। इसे निकटतम-पड़ोसी वर्गीकरण पद्धति के रूप में जाना जाता है।
कभी-कभी एक से अधिक निकटतम पड़ोसी का उपयोग किया जाता है, और निकटतम k पड़ोसियों का बहुमत वर्ग (या यदि वर्ग संख्यात्मक है तो दूरी भारित औसत) नए उदाहरण के लिए बनाया जाता है। इसे k-निकटतम-पड़ोसी विधि के रूप में परिभाषित किया गया है।
जब नाममात्र विशेषताएँ चालू होती हैं, तो उस विशेषता के कई मूल्यों के बीच "दूरी" के साथ आना आवश्यक है। विभिन्न विशेषताएँ दूसरों की तुलना में महत्वपूर्ण होंगी, और यह आमतौर पर दूरी मीट्रिक में कई प्रकार की विशेषता भार द्वारा परिलक्षित होती है। यह प्रशिक्षण समूह से उपयुक्त विशेषता भार बदल रहा है, उदाहरण-आधारित सीखने में एक आवश्यक समस्या है।
उदाहरण-आधारित अभ्यावेदन के लिए एक स्पष्ट सीमा यह है कि वे सीखी गई स्पष्ट वास्तुकला नहीं बनाते हैं। इंस्टेंसेस दूरी मीट्रिक के साथ जुड़ते हैं ताकि सीमाओं को ऐसे इंस्टेंस क्षेत्रों में विभाजित किया जा सके जो एक वर्ग को दूसरे से विश्लेषण करते हैं, और यह ज्ञान का एक प्रकार का स्पष्ट विवरण है।
उदाहरण के लिए, दो वर्गों में से प्रत्येक का एक उदाहरण दिया गया है, निकटतम-पड़ोसी नियम उदाहरणों को जोड़ने वाली रेखा के लंबवत द्विभाजक के साथ उदाहरण क्षेत्र को कुशलतापूर्वक विभाजित करता है। प्रत्येक वर्ग के कई उदाहरणों को देखते हुए, रिक्त स्थान को रेखाओं के एक समूह द्वारा विभाजित किया जाता है जो एक वर्ग के उदाहरण को दूसरे वर्ग के उदाहरण से जोड़ने वाली चयनित रेखाओं के लंबवत द्विभाजक को परिभाषित करता है।