Tijdreeksdata bestaat uit een reeks waarnemingen, elk gekoppeld aan een specifiek tijdstip. Dit type data is wijdverspreid in verschillende sectoren, waaronder de gezondheidszorg, financiële sector en transport. De analyse van tijdreeksdata brengt echter diverse uitdagingen met zich mee. Twee van deze uitdagingen zijn enerzijds schaalbaarheid naar grotere datasets en anderzijds het kunnen omgaan met de diversiteit binnen tijdreeksdata. Deze uitdagingen beïnvloeden het inzicht, de interpretatie en de verwerking van tijdreeksdata. Dit speelt een belangrijke rol in machinaal leren, waar de interpretatie van modellen essentieel is, met name in de gezondheidszorg. Daar is het van cruciaal belang om over oplossingen te beschikken die klinisch transparant en acceptabel zijn. Dit doctoraat richt zich op het overwinnen van de bovenstaande uitdagingen in bestaande tools en technieken voor effectieve tijdreeksdata-analyse. De ontworpen open-source tools en algoritmische innovaties, waaronder Plotly-Resampler, MinMaxLTTB, tsdownsample en tsflex, bieden efficiënte en flexibele oplossingen aan voor de visualisatie en verwerking van tijdreeksdata. Deze tools en technieken kunnen gebruikt worden voor meer transparante en klinisch acceptabele toepassingen van machinaal leren in onder andere de gezondheidszorg, wat wordt aangetoond met slaapscoring. Om verder te focussen op klinische acceptatie wordt traditionele machinaal leren gebruikt om een nieuwe methode te ontwikkelen voor lenssuggestie tijdens cataractoperaties.