在线学习 online learning
Online learning并不是一种模型，而是模型的训练方法。能够根据线上反馈数据，实时快速的进行模型调优，使得模型能够及时反映线上的变化，提高线上预测的准确率。
在线模型的评估之--Mistake Bound
假设有一个模型完全预测正确，Mistake Bound表示的就是找到这个模型最多犯错的次数。
用Halving算法来解决这个问题，算法步骤如下：
所以犯错次数小于等于对模型集合数量求以2为底的对数。
在线模型的评估之--Regret 后悔度
Regret的求解举例
Regret练习：
在线学习模型的有效必要条件就是
Online Learning训练过程也需要优化一个目标函数（红框标注的），但是和其他的训练方法不同， Online Learning要求快速求出目标函数的最优解，最好是能有解析解。
在线学习流程：
Learning的流程包括：将模型的预测结果展现给用户，然后收集用户的反馈数据，再用来训练模型，形成闭环的系统。
在线学习模型之FTRL--Follow The Regularized Leader
算法基本思想：
在这里最后一步更新w的时候需要找到使得损失函数之和最小的w，在线学习是速度需要很快，但是一般这个损失函数不是很快可以求解的，需要找到一个代理的损失函数，使得损失函数可以快速求解。代理损失函数需要满足几个要求：
1.代理损失函数比较容易求解，最好是有解析解
2.Regret满足
