Neurale netwerken zijn abstracte entiteiten die gebaseerd zijn op de werking van biologische hersencellen. Zulke netwerken kunnen getraind worden voor het oplossen van taken die voor mensen relatief eenvoudig zijn, maar voor een computer bijzonder moeilijk, zoals gezichtsherkenning, spraakherkenning, etc. Recurrente netwerken zijn neurale netwerken met terugkoppeling zodat deze geschikt zijn voor het verwerken van tijdsgebonden informatie. Een nieuwe ontwikkeling in dit veld gebruikt willekeurige recurrente netwerken om data op een nuttige wijze data te verwerken. Deze vereenvoudiging laat toe om een brede set aan dynamische systemen te benutten voor dataverwerking (en/. Dit concept) is bekend als Reservoir Computing Dit proefschrift plaatst Reservoir Computing in een breder theoretisch kader. Drie hoofdthema's in het bijzonder werden onderzocht: hoe geheugenwerking word gemanifesteerd in veralgemeende Reservoirsystemen, hoe men oneindig grote dynamische systemen kan benutten en hoe men aspecten van klassieke trainingsalgoritmes kan incorporeren in Reservoir Computing. Voor elk van deze thema's worden belangrijke theoretische vragen beantwoord. Zo word onder meer aangetoond dat er een hechte band is tussen Reservoir Computing en zogenaamde Kernel Machines, een andere tak van het domein Machine Learning, waar neurale netwerken deel van uitmaken. Deze en andere resultaten plaatsen Reservoir Computing in een breder theoretisch kader.