Métodos Bayesianos Não Paramétricos

Métodos bayesianos não paramétricos são uma família de modelos bayesianos flexíveis nos quais a complexidade do modelo não é fixada antecipadamente, mas cresce automaticamente com os dados. Os dois membros mais amplamente utilizados são a Mistura de Processo de Dirichlet (DPM), que agrupa observações sem pré-especificar o número de grupos, e a regressão por Processo Gaussiano (GP), que coloca uma prior diretamente sobre funções e realiza regressão ou classificação sem se comprometer com uma forma paramétrica. Ambos os quadros foram formalizados na literatura bayesiana não paramétrica, com o tratamento canônico de GP dado por Rasmussen e Williams (2006).