En apprentissage supervisé, la majorité des formulations sont basées sur l'hypothèse qu'uniquement les étiquettes sont bruitées. Par contre, cette hypothèse se révèle trop forte pour certaines tâches. Lors de cette présentation, nous considèrerons les processus Gaussiens pour des fins d'inférence de fonctions latentes à partir de données bruitées autant en entrée qu'en sortie. En assumant que les données d'entrainements incertaines suivent une distribution normale connue et en utilisant un noyau Gaussien, il est possible de calculer analytiquement la matrice de covariance espérée pour obtenir une distribution a posteriori sur l'espace des fonctions. Les résultats montrent que cette méthode performe en moyenne mieux que la méthode traditionnelle selon les critères de vraisemblance et moindre carré.