Het ontwerpen in de praktijk is een complex probleem dat het iteratief afstemmen van productparameters omvat om een bevredigende prestatie te vinden. De evaluatie van de prestaties ervan omvat meestal tijds- of kostbare simulaties die vragen om algoritmen die minder evaluaties nodig hebben. De snelle evolutie van machine learning heeft snel kansen geboden voor dergelijke problemen, waar modelgebaseerde adaptieve afstemmingsalgoritmen kunnen worden uitgevonden. Deze dissertatie draagt bij aan deze inspanning door Bayesian-modellen en op hen gebaseerde Active Learning-technieken te verkennen om nieuwe sequentiële optimale ontwerpen te bedenken voor verschillende problemen en doelen. Het uiteindelijke doel is om automatisch afstemmen te bereiken om betere ontwerpconfiguraties te verkrijgen die meer rekenkundig efficiënt zijn.