Dit doctoraatsproefschrift bestrijkt een variëteit aan AI-toepassingen die gebruik maken of gebaseerd zijn op symbolische sequentiële data. Met sequentiële data bedoelen we informatie die varieert in de tijd: letters of woorden in een tekst, muzieknoten in een compositie, een stroom van tweets op Twitter, tracks in een playlist of album, etc. Voor elk van deze types data gaan we op zoek naar een AI-model dat in staat is deze data te interpreteren, samen te vatten, zelf te genereren, te anticiperen, te classificeren, enz. Hiervoor wordt hoofdzakelijk gebruik gemaakt technieken uit het machinaal leren en het zogenaamde 'deep learning', en meer bepaald recurrent neurale netwerken. We bekijken onder andere hoe dergelijke modellen het meest efficiënt getraind kunnen worden en wat de trade-offs hierbij zijn. We passen deze modellen nadien toe op het aanbevelingssysteem van een muziekstreamingdienst, waarop we de muzikale smaak van gebruikers modelleren over de tijd heen met als uiteindelijk doel het aanraden van nieuwe muziek. We bekijken de toepasbaarheid van recurrent neurale netwerken ook in een meer creatieve context waarbij we deze modellen gebruiken voor het automatisch componeren van pianomuziek.