Die jüngsten Fortschritte im Bereich des maschinellen Lernens haben ein neues Interesse an der lerngestützten prädiktiven Regelung geweckt. Maschinellen Lernens verspricht, die Modellierung zu erleichtern und die Leistung der Prozesse zu verbessern. Allerdings bringen diese Ansätze auch einige Herausforderungen mit sich: Beispielsweise geht die Verbindung zu den physikalischen Gesetzen (teilweise) verloren, so dass maschinelle Lernmodelle äußerst ungenaue Ergebnisse liefern können. Es ist daher notwendig, Steuerungs-und Regelungsmethoden bereitzustellen, die die Modellunsicherheit dieser Modelle berücksichtigen. Bei iterativen Prozessen - also Prozessen, die nicht in einem stationären Zustand arbeiten - sind Unsicherheiten aufgrund der großen Änderungen der Prozessbedingungen während des Betriebs noch wichtiger. In dieser Arbeit werden zwei Methoden zur datengetriebenen Unsicherheitsmodellierung vorgeschlagen. Die erste Methode verwendet Gauß-Prozesse zum Lernen der Modellunsicherheit und neuronale Netze zum Lernen des Nominalmodells. Sie bietet eine einfache Möglichkeit, die Unsicherheit des Modells in einem einzigen Parameter zusammenzufassen, der von einem modellprädiktiven Regler verwendet werden kann, um risikobewusste Entscheidungen zu treffen. Diese Methode ist zwar einfach, garantiert aber nicht die Einhaltung von Beschränkungen. Die zweite Methode basiert auf tube-based modellprädiktiver Regelung und kann die Sicherstellung von Beschränkungen garantieren. Sie basiert auf dem Konzept der “sicheren Menge”: Eine Menge, in der eine tube-based MPC eine zulässige Lösung hat. Wir zeigen, dass sich die sichere Menge unter bestimmten Annahmen bei jeder Iteration des Prozesses vergrößert, was eine Leistungssteigerung ermöglichen kann. Schließlich wird die neuartige Python-Bibliothek HILO-MPC vorgestellt, welche die auf maschinellem Lernen basieren-de modellprädiktive Regelung umsetzt. Diese Bibliothek verfügt über Schnittstellen zu TensorFlow und PyTorch und bietet leicht zugängliche Werkzeuge zur Definition von Regelungs- und Schätzungsproblemen unter Verwendung von maschinellen Lernmodellen.