De voorbije jaren is de interesse in machinaal leren enorm gestegen en voornamelijk in zogenaamde “Deep Learning” technieken. Deze technieken zijn opmerkelijk succesvol gebleken voor het oplossen van complexe problemen zoals beeldherkenning, taal- en spraakverwerking, … door gebruik te maken van grote hoeveelheden data. Ondanks hun succes zijn er nog steeds heel wat open problemen. In dit werk werden twee grote problemen in deep learning behandeld, met name betere kenmerk extractie voor muziek en generatieve modellen van afbeeldingen. Eerst werd gekeken hoe deep learning toepasbaar is op classificatie van muziek en hoe we muziek beter kunnen aanbevelen aan gebruikers door de audio data te analyseren. In beide gevallen is het noodzakelijk om de informatieve kenmerken te extraheren uit het muziek signaal. Hiervoor bleken de voorgestelde deep learning technieken zeer geschikt en konden significante verbeteringen gehaald worden in vergelijking met traditionele aanpakken. Vervolgens werden diepe generatieve modellen onderzocht voor afbeeldingen. Het ontwerpen van krachtige en schaalbare generatieve modellen is een groot open probleem. In dit doctoraat werden verschillende methodes onderzocht en vergeleken met bestaand werk uit de literatuur. Dit onderzoek gaf nieuwe inzichten in het modeleren van hoog-dimensionele data en toonde aan dat generatieve modellen significante verbeteringen in afbeeldingscompressie kunnen geven.