为了理解高斯过程，我们就首先需要了解如下预备知识，即：高斯分布（函数）、随机过程、以及贝叶斯概率等。明白了这些预备知识之后才能顺利进入高斯过程，了解高斯过程本质及其高斯过程描述方法。
高斯过程模型属于无参数模型，相对解决的问题复杂度及与其它算法比较减少了算法计算量。
高斯模型可以解决高维空间（实际上是无限维）的数学问题，可以面对负杂的数学问题。
结合贝叶斯概率算法，可以实现通过先验概率，推导未知后验输入变量的后验概率。由果推因的概率。
高斯过程观测变量空间是连续域，时间或空间。
高斯过程观测变量空间是实数域的时候，我们就可以进行回归而实现预测。
高斯过程观测变量空间是整数域的时候（观测点是离散的），我们就可以进行分类。结合贝叶斯算法甚至可以实现单类分类学习（训练），面对小样本就可以实现半监督学习而后完成分类。面对异常检测领域很有用，降低打标签成本（小样本且单类即可训练模型）。
