Un proceso estocástico utilizado como método bayesiano no paramétrico para modelar funciones desconocidas.Un proceso gaussiano es una herramienta estadística poderosa que se utiliza para modelar funciones desconocidas de manera que maneja naturalmente la incertidumbre. En lugar de dar una única mejor suposición para una función, proporciona una distribución de probabilidad completa sobre las funciones posibles que se ajustan a los datos observados. Esto lo convierte en una piedra angular de los métodos bayesianos no paramétricos, donde la complejidad del modelo crece con la cantidad de datos, en lugar de estar fijada de antemano.
El concepto fue formalizado en la década de 1940 por el matemático Norbert Wiener y otros, pero su uso moderno en el aprendizaje automático fue popularizado por Carl Edward Rasmussen y Christopher K. I. Williams en su libro de 2006.
Un proceso gaussiano define una distribución sobre funciones especificando una función media y una función de covarianza (núcleo). El núcleo codifica supuestos sobre la suavidad, periodicidad u otras propiedades de la función. Cuando se observan puntos de datos, el proceso actualiza la distribución, produciendo una posterior que puede predecir valores en nuevos puntos junto con una medida de incertidumbre. Esta incertidumbre es clave: se reduce cerca de los datos observados y aumenta en regiones inexploradas, permitiendo una toma de decisiones fundamentada.
Los procesos gaussianos se utilizan en la optimización bayesiana para el ajuste de hiperparámetros, en geoestadística para la interpolación de datos espaciales (kriging), y en robótica para aprender políticas de control a partir de datos.
Los procesos gaussianos pueden verse como una generalización de dimensión infinita de la distribución normal multivariante, donde cualquier conjunto finito de puntos sigue una distribución gaussiana conjunta.










