The prediction of ground state properties of atomistic systems is of vital importance in technological advances as well as in the physical sciences. Fundamentally, these predictions are based on a quantum-mechanical description of many-electron systems. One of the hitherto most prominent theories for the treatment of such systems is density functional theory (DFT). The main reason for its success is due to its balance of acceptable accuracy with computational efficiency. By now, DFT is applied routinely to compute the properties of atomic, molecular, and solid state systems. The general approach to solve the DFT equations is to use a density-functional approximation (DFA). In Kohn-Sham (KS) DFT, DFAs are applied to the unknown exchangecorrelation (xc) energy. In orbital-free DFT on the other hand, where the total energy is minimized directly with respect to the electron density, a DFA applied to the noninteracting kinetic energy is also required. Unfortunately, central DFAs in DFT fail to qualitatively capture many important aspects of electronic systems. Two prime examples are the description of localized electrons, and the description of systems where electronic edges are present. In this thesis, I use a model system approach to construct a DFA for the electron localization function (ELF). The very same approach is also taken to study the non-interacting kinetic energy density (KED) in the slowly varying limit of inhomogeneous electron densities, where the effect of electronic edges are effectively included. Apart from the work on model systems, extensions of an exchange energy functional with an improved KS orbital description are presented: a scheme for improving its description of energetics of solids, and a comparison of its description of an essential exact exchange feature known as the derivative discontinuity with numerical data for exact exchange. An emerging alternative route towards the prediction of the properties of atomistic systems is machine learning (ML). I present a number of ML methods for the prediction of solid formation energies, with an accuracy that is on par with KS DFT calculations, and with orders-of-magnitude lower computational cost. Att kunna förutsäga egenskaper hos atomistiska system utgör en viktigdel av vår teknologiska utveckling, samt spelar en betydande roll i defysikaliska vetenskaperna. Sådana förutsägelser bygger på en kvantmekaniskbeskrivning av mångelektronsystem. En av de mest framståendeteorierna för att behandla den här typen av system är täthetsfunktionalteorin(DFT). Den främsta orsaken till dess framgång är attden lyckas kombinera skaplig noggrannhet med en bra beräkningseffektivitet.DFT används numera rutinmässigt för att beräkna storheterhos atomer, molekyler, och fasta kroppar. Generellt sett löses ekvationerna inom DFT genom att man inför entäthetsfunktionalapproximation (DFA). I Kohn-Sham (KS) DFT, användsDFAer för att approximera utbytes-korrelationsenergin. Inom orbitalfriDFT, där målet är att direkt minimera den totala energin med avseendepå elektrontätheten, så approximerar man också den icke-interageranderörelseenergin hos elektronerna. Dessvärre så fallerar många centralaDFAer att kvalitativt beskriva många viktiga aspekter hos elektronsystem.Två viktiga exempel är beskrivningen av lokaliserade elektroner,samt beskrivningen av system där det förekommer elektronytor. I denna avhandling använder jag modellsystem för att konstruera enDFAför elektronlokaliseringsfunktionen (ELF). Samma tillvägagångssättappliceras sedan för att studera den kinetiska energitätheten i gränsen avlångsamt varierande elektrontätheter, där effekten av elektronytor effektivtinkluderas. Förutom arbetet som berör modellsystem, så presenterasen utökad variant av en utbytes-energifunktional med en förbättrad KSorbitalbeskrivning: ett schema för att förbättra dess energiegenskaperför solida material, samt en jämförelse av dess beskrivning av en viktigegenskap hos den exakta utbytesenergin, vilket utgörs av diskontinuiteteri dess derivata. Ett mera nyligen uppkommet samt alternativt sätt att kunna förutsägaegenskaper hos atomistiska system utgörs av maskinlärning (ML).Jag presenterar ett antal ML-modeller för att kunna förutsäga formeringsenergierhos fasta material med en noggrannhet som är i linje medresultat som uppnås av beräkningar med hjälp av KS DFT, och med enberäkningseffektivitet som är flera storleksordningar snabbare.