Metodi Bayesiani Nonparametrici

I metodi bayesiani nonparametici sono una famiglia di modelli bayesiani flessibili in cui la complessità del modello non è fissata in anticipo ma cresce automaticamente con i dati. I due membri più ampiamente utilizzati sono il Mixture di Processi di Dirichlet (DPM), che raggruppa le osservazioni senza pre-specificare il numero di cluster, e la regressione con Processi Gaussiani (GP), che pone un prior direttamente sulle funzioni ed esegue regressione o classificazione senza impegnarsi in una forma parametrica. Entrambi i framework sono stati formalizzati nella letteratura bayesiana nonparametrica, con il trattamento canonico dei GP fornito da Rasmussen e Williams (2006).