Het ontwerpen van elektronische apparaten is een zeer complex proces dat ingenieurs jaren kost om onder de knie te krijgen. Ontwerpen ondergaan vaak verschillende ontwerpherhalingen en tests. Naarmate apparaten geavanceerder worden, krijgen ze te maken met storende signalen, overmatig stroomverbruik of hoge werktemperaturen. Hoewel het volledig automatiseren van elektronisch ontwerpen een uitdaging blijft, richt recent onderzoek zich op het gedeeltelijk automatiseren van workflowstappen om ontwerpen te versnellen en kosten te verlagen. Deze vooruitgang wordt gedreven door de kunstmatige intelligentie (AI) revolutie, die langzaam zijn weg vindt naar het gebied van elektronisch ontwerp. Dit proefschrift draagt bij aan deze inspanning door Bayesiaans leren (BL) technieken te onderzoeken, die adaptieve AI modellen bieden die optimale ontwerpen kunnen voorstellen. In het bijzonder pakken de voorgestelde technieken het probleem aan van apparaatgrootte, het voldoen aan haalbaarheidscriteria, het modelleren van frequentieresponsen en het incorporeren van eerdere fysische kennis in de BL modellen. Het doel is om ontwerpprocessen te stroomlijnen, waardoor Bayesiaans leren en AI waardevolle hulpmiddelen worden voor ingenieurs.