Les processus gaussiens ont connu un grand succès d'utilisation et de performance dans plusieurs applications d'apprentissage automatique. Entre autres, ils possèdent des propriétés théoriques et pratiques qui en font une solution flexible et adaptable pour des problèmes de régression et de classification. Cependant, ils présentent des inconvénients limitants en raison de la complexité computationnelle et en mémoire. Dans ce papier, nous proposons une nouvelle méthode pour construire des processus gaussiens efficaces sur le plan computationnel dans le cadre d'une régression ou d'une classification. En particulier, nous démontrons que les modèles proposés ont une complexité en temps et en mémoire inférieure à celle des processus gaussiens standards. Nous confirmons cette meilleure performance, en pratique, grâce à des expériences et des comparaisons variées.