กระบวนการเกาส์เซียน (GP) คือกลุ่มของตัวแปรสุ่ม ซึ่งโดยปกติแล้วจัดทำดัชนีโดยแหล่งข้อมูลที่ต่อเนื่องหรือแยกจากกัน ซึ่งมีการแจกแจงความน่าจะเป็นร่วมกัน ซึ่งสามารถอธิบายได้ด้วยการแจกแจงแบบปกติหลายตัวแปร แม้ว่าจะใช้บ่อยที่สุดในการเรียนรู้ของเครื่อง แต่ก็สามารถนำมาใช้ในด้านอื่นๆ ที่หลากหลาย เช่น การเพิ่มประสิทธิภาพแบบเบย์ สถิติเชิงพื้นที่ และการวิเคราะห์การถดถอย
กระบวนการเกาส์เซียนเป็นวิธีการแทนฟังก์ชันด้วยการแจกแจงความน่าจะเป็น โดยถือว่าเมื่อได้รับชุดข้อมูลที่สังเกตได้ ค่าใหม่ใดๆ ก็ตามมักจะถูกแจกแจงด้วยค่าเฉลี่ยและความแปรปรวน ขึ้นอยู่กับค่าของข้อมูลที่สังเกตได้ ซึ่งหมายความว่าเมื่อพิจารณาข้อมูลที่สังเกตได้ ก็เป็นไปได้ที่จะคาดการณ์เกี่ยวกับค่าบางอย่างที่ยังไม่ได้สังเกตด้วยความมั่นใจ GP ยังไม่ใช่แบบอิงพารามิเตอร์ ซึ่งหมายความว่าพวกเขาไม่ได้ตั้งสมมติฐานใดๆ เกี่ยวกับข้อมูลพื้นฐาน แต่จะใช้การแจกแจงก่อนหน้าแทน
GP มีการใช้งานหลายอย่าง เช่น การวิเคราะห์การถดถอยและปัญหาการทำนาย ซึ่งจำเป็นต้องมีการคาดการณ์ในอนาคตจากความรู้หรือการสังเกตก่อนหน้า GP มีประโยชน์ในสถานการณ์เหล่านี้เนื่องจากทำให้เกิดความไม่แน่นอนในผลลัพธ์ ทำให้มีการกระจายความน่าจะเป็นของผลลัพธ์ในอนาคตที่เป็นไปได้มากกว่าการคาดการณ์เพียงครั้งเดียว นอกจากนี้ยังสามารถใช้สำหรับการเพิ่มประสิทธิภาพแบบเบย์ซึ่งเป็นเทคนิคในการเพิ่มประสิทธิภาพพารามิเตอร์ในแบบจำลอง GP ยังสามารถนำมาใช้ในสถิติเชิงพื้นที่ได้ โดยจะใช้เพื่อสร้างแบบจำลองความสัมพันธ์เชิงพื้นที่ระหว่างตัวแปร
กระบวนการแบบเกาส์เซียนเป็นเครื่องมือสำคัญในแมชชีนเลิร์นนิง เนื่องจากเป็นวิธีสร้างแบบจำลองฟังก์ชันที่ซับซ้อนโดยไม่จำเป็นต้องตั้งสมมติฐานเกี่ยวกับรูปแบบของข้อมูล ซึ่งหมายความว่าสามารถใช้ในสถานการณ์ที่ไม่ทราบรูปแบบที่แน่นอนของข้อมูลหรือระบุได้ยาก นอกจากนี้ GP ยังมีความน่าสนใจในทางทฤษฎีด้วย เนื่องจากเป็นวิธีการที่หรูหราในการผสมผสานความรู้เดิมเข้ากับข้อมูลที่สังเกตได้เมื่อทำการคาดการณ์และตัดสินใจ
