Métodos bayesianos no paramétricos

Los métodos bayesianos no paramétricos son una familia de modelos bayesianos flexibles en los que la complejidad del modelo no se fija de antemano, sino que crece automáticamente con los datos. Los dos miembros más utilizados son la Mezcla de Procesos de Dirichlet (DPM), que agrupa observaciones sin preespecificar el número de grupos, y la regresión con Procesos Gaussianos (GP), que coloca una distribución a priori directamente sobre funciones y realiza regresión o clasificación sin comprometerse a una forma paramétrica. Ambos marcos se formalizaron en la literatura bayesiana no paramétrica, con el tratamiento canónico de GP dado por Rasmussen y Williams (2006).