เปรียบเทียบวิธี

	วิธีการแบบเบย์ที่ไม่ใช่พาราเมตริก	กระบวนการเกาส์เซียน
สาขาวิชา	เบย์	การเรียนรู้ของเครื่อง
ตระกูล	Bayesian methods	Machine learning
ปีกำเนิด	1973 (DP); 2006 (GP canonical text)	2006 (book); roots in Kriging, 1951)
ผู้ริเริ่ม	Ferguson (Dirichlet Process, 1973); Rasmussen & Williams (GP, 2006)	Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Bayesian nonparametric model	Probabilistic non-parametric model
แหล่งต้นตำรับ	Rasmussen, C.E. & Williams, C.K.I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0262182539	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	BNP, Dirichlet process mixture, DPM, Gaussian process regression	GP, Gaussian Process Regression, GPR, Kriging
ที่เกี่ยวข้อง	3	3
สรุป	Bayesian nonparametric methods are a family of flexible Bayesian models in which model complexity is not fixed in advance but grows automatically with the data. The two most widely used members are the Dirichlet Process Mixture (DPM), which clusters observations without pre-specifying the number of clusters, and Gaussian Process (GP) regression, which places a prior directly over functions and performs regression or classification without committing to a parametric form. Both frameworks were formalised in the Bayesian nonparametric literature, with the canonical GP treatment given by Rasmussen and Williams (2006).	A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks.