Door de sterk groeiende digitalisatie in bedrijven en andere organisaties zijn vrijwel alle dagdagelijkse operaties enorm afhankelijk geworden van goed werkende hardwaresystemen en servicetechnologie. Verschillende gezondheidsmetrieken worden daarom vaak nauw opgevolgd doorheen de tijd als tijdreeksen vanuit een centrale netwerkmonitoringtool om zo vreemd gedrag onmiddelijk te spotten, wat op zijn beurt storingen en schade kan vermijden. Door de groeiende schaal en complexiteit van huidige netwerken is er echter een grote nood aan geautomatiseerde tools die deze inzichten verwerven om zo met minimale configuratie en onderhoud een duidelijk perspectief te krijgen over eventuele problemen in het systeem. Deze thesis onderzocht algoritmes die vreemd gedrag (anomalieën) en herhalende patronen (motieven) kunnen detecteren in generieke tijdreeksen. Er werd een focus gelegd op industriële toepasbaarheid, waar schaalbaarheid over miljoenen parameters met minimale middelen van cruciaal belang is.