De toepassing van Machine Learning (ML) op veel problemen uit de echte wereld brengt verschillende uitdagingen met zich mee die een multidisciplinaire aanpak en voortdurend onderzoek vereisen om de nauwkeurigheid, transparantie en efficiëntie van deze modellen te verbeteren. Dit proefschrift heeft tot doel efficiënte algoritmen te ontwikkelen om algemene voorspellings- en optimalisatie-uitdagingen, zoals tijdsdruk, schaarse gegevens en onzekerheid, aan te pakken. Er wordt een multi-objectief hyperparameteroptimalisatie (HPO)-algoritme voorgesteld, dat Multi-objective Tree Parzen Estimators (MOTPE) en Gaussiaanse procesregressie (GPR) combineert, getraind met heterogene ruis. Bovendien werd het algoritme Tree Parzen Estimators aangepast om rechtstreeks rekening te houden met de prestatievariabiliteit in HPO met één doelstelling. Andere bijdragen gepresenteerd in dit proefschrift hebben betrekking op de toepassing van GPR om doelstellingen en beperkingsfuncties te emuleren bij het optimaliseren van een lijmverbindingsproces met beperkte fysieke experimenten. Ten slotte werd een pijplijn gebaseerd op het Long Short-term Cognitive Network (LSTCN) ontworpen om de uitdagingen van gegevensvolatiliteit en de hoge verwerkingstijd van windenergievoorspellingen aan te pakken. De resultaten in dit scenario laten zien dat de voorspellingsfouten en trainings-/testtijden laag zijn in vergelijking met andere terugkerende modellen. Vandaar de superioriteit van de voorgestelde voorspellingspijplijn.