Loss reserving in P&C insurance, is the common practice of estimating the insurer’s liability from future claims it will have to pay out on. In the recent years, it has been popular to explore the options of forecasting this loss with the help of machine learning methods. This is mainly attributed to the increase in computational power, opening up opportunities for handling more complex computations with large datasets. The main focus of this paper is to implement and evaluate a recurrent neural network called the deeptriangle by Kuo for modelling payments of individual reported but not settled claims. The results are compared with the traditional Chain Ladder method and a baseline model on a simulated dataset provided by Wüthrich’s simulation machine.  The models were implemented in Python using Tensorflow’s functional API. The results show that the recurrent neural network does not outperform the Chain Ladder method on the given data. The recurrent neural network is weak towards the sparse and chaotic nature of individual claim payments and is unable to detect a stable sequential pattern. Results also show that the neural network is prone to overfitting, which can theoretically be compensated with larger dataset but comes at a cost in terms of feasibility. / Reservsättning inom skadeförsäkring handlar om att beräkna framtida kostnader av en försäkringsgivare. Under de senaste åren har det blivit allt populärare att undersöka tillämpningen av olika statistiska inlärningsmetoder inom reservsättning. Den här uppsatsen syftar till att implementera och utvärdera ett återkommande neuraltnätverk som kallas för ”deeptriangle by Kuo” för att modellera utbetalningar av individuella rapporterade men icke­ färdigbetalda försäkringsfordringar. Resultaten kommer att jämföras med den traditionella Chain Ladder metoden samt en grundmodell på ett simulerat dataset som tillhandahålls av ”Wüthrichs simulation machine”. Modellerna implementeras i Python med hjälp av Tensorflows Functional API. Resultatet är att det återkommande neurala nätverket inte överträffar Chain Ladder metoden med den givna datan. Det återkommande neurala nätverket har svårigheter för att känna igen mönster i datamängder som individuella skadebetalningar eftersom datamängden till sin natur är spridd och kaotisk. Resultaten visar också att det neurala nätverket är benäget att överanpassa, vilket teoretiskt kan kompenseras med en större datamängd men som i sin tur bidrar till en risk för ogenomförbarhet.