De wereld interpreteren om te kunnen beslissen wat te doen, is vanzelfsprekend voor mensen en is ook iets dat we al vanaf geboorte leren. Maar, voor robots blijft het een grote uitdaging om zowel te leren observeren als om te leren welke acties te nemen in de wereld. Recent groeide de populariteit van een procestheorie van de hersenen genaamd “Active Inference”, waarin acties en observaties beschouwd worden als twee zijden van dezelfde munt. In dit raamwerk vormen de hersenen een bepaalde geloofstoestand van de wereld om te kunnen afleiden welke acties te nemen met als doel hun verrassing en onzekerheid over de wereld te minimaliseren. In dit proefschrift wordt een nieuwe manier gepresenteerd om active inference modellen te leren uit data afkomstig uit de echte wereld door middel van recente ontwikkelingen in deep learning en generatieve modelering. Verder wordt er aangetoond dat zo een geleerd model toepasbaar is om robotica problemen op te lossen zoals navigatie en anomalie detectie.