Die Robotik hat das Potential eine der revolutionärsten Technologien in der Geschichte der Menschheit zu sein. Die Auswirkungen von günstiger und potenziell unbegrenzter Arbeitskraft könnten tiefgreifenden Einfluss auf unser tägliches Leben und insgesamt auf unsere Gesellschaft haben. Wie von Iain M. Banks, Asimov und vielen anderen Science Fiction Schriftstellern vorhergesehen könnte die Robotik zu dem Verschwinden von körperlicher Arbeit und einer generellen Verbesserung der Lebensqualität führen. Allerdings ist die Massenanwendung von Robotern in unserer Gesellschaft noch weit von der Realität entfernt, außer vielleicht in einigen wenigen Sparten, wie beispielsweise die Fabrikation. Ein Grund für den geringen Einsatz ist, dass trotz der enormen Fortschritte in den Fähigkeiten der Roboter Hardware, entsprechende Fortschritte in der Regelung fehlen. Die Anwendung von Robotern in unserem täglichen Leben ist immer noch beschränkt durch die Notwendigkeit die Regler für die entsprechenden Aufgaben manuell zu entwerfen und anzupassen. Dies führt dazu das der Einsatz von Robotern oft lange und umfangreiche Validierungen durch menschliches Expertenwissen voraussetzt, was ihre Anpassungsfähigkeiten und weitläufige Verbreitung einschränkt. Um in der Zukunft die allgegenwärtige Robotisierung unsere Gesellschaft zu erreichen, ist es notwendig die Komplexität des Anwendens neuer Roboter auf neue Aufgaben zu verringern. Das Ziel dieser Dissertation ist es automatische Softwarewerkzeuge basierend auf Machine Learning Techniken vorzustellen, die den Entwurf von Reglern für neue Aufgaben vereinfachen und optimieren. Insbesondere argumentieren wir, dass Bayesian Modeling ein wichtiges Werkzeug für das automatische Lernen von Modellen durch rohen Daten ist und die Unsicherheit solcher Modelle angemessen erfasst. Daher präsentieren wir einen Ansatz der traditionelle Gaussian Process Modelle erweitert indem er eine angemessene Feature Repräsentation und das darauf folgende Modell gemeinsam lernt. Dadurch können wir die Feature Repräsentation so leiten, dass sie die für die darauf folgende Vorhersage nützlich ist. Eine erste Robotik Anwendung bei der der Einsatz von Bayesian Modeling von Vorteil ist, ist das genaue lernen von komplexen Dynamikmodellen. Für höchst nicht-lineare Robotersysteme, beispielsweise wenn Kontakte berücksichtigt werden müssen, kann das Anwenden von analytischen Systemidentifikation Techniken sehr anspruchsvoll, zeitaufwändig oder sogar unlösbar sein. Wir stellen einen neuen Ansatz für das Lernen von inversen Dynamikmodellen vor, das künstliche taktile Sensoren ausnutzt. Dieser Ansatz erlaubt es unbekannte Kontakte zu erkennen und zu kompensieren ohne eine räumliche Kalibrierung der taktilen Sensoren zu benötigen. Wir nutzen den Humanoiden Roboter iCub um zu zeigen, dass unser Ansatz State-of-the-Art analytische Modelle übertrifft und im Bereich der Regelung die Tracking Genauigkeit significant verbessert. Eine zweite Robotik Anwendung von Bayesian Modeling ist die automatische Black Box Optimierung von Regelparametern. Wenn die Dynamik eines Systems nicht modelliert werden kann (aufgrund von Komplexität oder dem Fehlen einer vollständigen Zustands representation), ist es immer noch möglich eine Aufgabe durch das Anpassen einer existierenden Regelung zu lösen. Der Ansatz in dieser Arbeit ist Bayesian Optimization, was erlaubt die Parameter eines Reglers für eine spezifische Aufgabe zu optimieren. Wir evaluieren und vergleichen die Performanz von Bayesian Optimization anhand einer Gangoptimierung des dynamischen, zweibeinigen Laufroboters Fox. Unsere Experimente heben den Vorteil dieses Ansatzes hervor, indem die Zeit für die Justierung der Parameter von Wochen auf auf einen einzelnen Tag reduziert wird. In vielen Robotik Anwendungen ist es jedoch nicht immer möglich ein einzelnes klares Ziel zu definieren. Meistens sind mehrere gegensätzliche Ziele gleichzeitig wünschenswert, weswegen der Entwickler eine Entscheidung bezüglich des Trade-offs zwischen diesen Zielen treffen muss (e.g. Geschwindigkeit vs. Energieverbrauch). Ein Framework das bei diesem Entscheidungsprozess assistiert, ist die Pareto-Optimierung, insbesondere die Pareto Optimalität. Wir schlagen ein neues Framework vor, dass Bayesian Modeling ausnutzt um die Qualität von traditionellen Pareto-Optimierungs Ansätzen ,sogar im Fall von nur wenigen Daten, verbessert. Durch das Entfernen der irreführenden Effekte von stochastischem Rauschen, wird dem Entwickler eine genaue und kontinuierliche Pareto-Front präsentiert von dem der gewünschte Trade-off gewählt werden kann. Zusätzlich erlaubt unser Framework die nahtlose Einführung von mehreren Robustheitsmetriken, die während der Entwurfsphase berücksichtigt werden können. Diese Beiträge erlauben eine beispiellose Unterstützung bei dem Entwurfsprozess von komplexen Robotersystemen mit mehreren Zielen und insbesondere in Anbetracht von Robustheit. Die gesamte Arbeit in dieser Dissertation demonstriert erfolgreich an echten Robotern, dass die Komplexität des Anwendens von Robotern auf neue Aufgaben durch automatische Lerntechniken enorm vereinfacht werden kann. Wir glauben dies ist ein erster Schritt in eine Zukunft in der Roboter außerhalb von streng überwachten Umgebungen benutzt werden können und in der neu angewendete Roboter sich schnell und automatisch and neue Aufgaben anpassen können um gewünschte Ziel zu erfüllen.