玻爾茲曼機
玻爾茲曼機（英語：Boltzmann machine）是隨機神經網絡和循環神經網絡的一種，由加拿大計算機科學家傑弗里·辛頓和美國計算機科學家特里·謝澤諾斯基在1985年發明。
玻爾茲曼機可被視作隨機過程的，可生成的相應的霍普菲爾德神經網絡。它是最早能夠學習內部表達，並能表達和（給定充足的時間）解決複雜的組合優化問題的神經網絡。但是，沒有特定限制連接方式的玻爾茲曼機目前為止並未被證明對機器學習的實際問題有什麼用。所以它目前只在理論上顯得有趣。然而，由於局部性和訓練算法的赫布性質，以及它們和簡單物理過程相似的並行性，如果連接方式是受約束的（即受限玻爾茲曼機），學習方式在解決實際問題上將會足夠高效。
延伸閱讀
- Hinton, G. E.; Sejnowski, T. J. D. E. Rumelhart, J. L. McClelland, and the PDP Research Group , 編. Learning and Relearning in Boltzmann Machines (PDF). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Volume 1: Foundations (Cambridge: MIT Press). 1986: 282–317. （原始內容 (PDF)存檔於2010-07-05）.
- Hinton, G. E. Training Products of Experts by Minimizing Contrastive Divergence (PDF). Neural Computation. 2002, 14 (8): 1771–1800 [2015-11-29]. PMID 12180402. doi:10.1162/089976602760128018. （原始內容存檔 (PDF)於2016-03-03）.
- Hinton, G. E.; Osindero, S.; Teh, Y. A fast learning algorithm for deep belief nets (PDF). Neural Computation. 2006, 18 (7): 1527–1554 [2015-11-29]. PMID 16764513. doi:10.1162/neco.2006.18.7.1527. （原始內容存檔 (PDF)於2015-12-23）.
