Dit proefschrift bespreekt Reservoir Computing, een efficiënte trainingsmethode voor recurrente neurale netwerken, in de context van taken waarvoor reeksen gegenereerd moeten worden. Het proefschrift is opgedeeld in vier grote delen. Het eerste deel focust op Reservoir Computing en geeft de lezer inzicht om zelf met de techniek aan de slag te gaan. Het tweede deel beschrijft de problematiek rond het stabiliseren van Reservoir Computing-systemen waarvan de uitgang teruggekoppeld wordt. Zulke systemen worden gebruikt voor het iteratief genereren van tijdsreeksen. In het derde deel komt een eerste applicatie, het modelleren van tijdsreeksen, aan bod. Als voorbeeld wordt gebruik gemaakt van tijdsreeksen uit alledaagse toepassingsgebieden. Tot slot komt het aanleren van instelbare patroongeneratoren aan bod welke bruikbaar zijn voor het regelen van de beweging van robots. De rijke dynamica van het Reservoir Computing-systeem heeft als voordeel dat rijkere variaties mogelijk zijn dan met standaard technieken.