Méthodes bayésiennes non paramétriques

Les méthodes bayésiennes non paramétriques sont une famille de modèles bayésiens flexibles dans lesquels la complexité du modèle n'est pas fixée à l'avance mais croît automatiquement avec les données. Les deux membres les plus largement utilisés sont le Mélange de Processus de Dirichlet (DPM), qui regroupe les observations sans spécifier à l'avance le nombre de groupes, et la régression par Processus Gaussien (GP), qui place une loi a priori directement sur les fonctions et effectue une régression ou une classification sans s'engager dans une forme paramétrique. Ces deux cadres ont été formalisés dans la littérature bayésienne non paramétrique, le traitement canonique des GP étant donné par Rasmussen et Williams (2006).