Ανίχνευση ψευδών οικονομικών καταστάσεων με μεθόδους εξόρυξης δεδομένων.
Φόρτωση...
Ημερομηνία
Συγγραφείς
Διαμάντη, Βασιλική
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής και Χρηματοιοκονομικής
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Εξαιτίας των γρήγορα αναπτυσσόμενων τεχνολογικών δραστηριοτήτων έχουν δημιουργηθεί τεράστια σύνολα δεδομένων (Big Data). Λόγω του μεγάλου όγκου δεδομένων και της πολυπλοκότητας τους είναι δύσκολο να επεξεργαστούν και να ανακαλυφθεί γνώση με παραδοσιακούς τρόπους. Πλέον, το κατάλληλο εργαλείο για την ανακάλυψη της κρυμμένης γνώσης (Knowledge Discovery in Databases, KDD) είναι η εξόρυξη δεδομένων (Data Mining). Η εύρεση χρήσιμων δεδομένων , η ταυτοποίηση κρυμμένων προτύπων και η σωστή εκμετάλλευση της γνώσης που εξάγεται κάνει τον κλάδο της εξόρυξης δεδομένων έναν από τους ταχύτερα αναπτυσσόμενους κλάδους.
Στην συγκεκριμένη εργασία γίνεται εξόρυξη δεδομένων για ανίχνευση ψευδών οικονομικών καταστάσεων σε Ελληνικές εταιρείες εισηγμένες στο χρηματιστήριο Αθηνών με μεθόδους μηχανικής μάθησης. Χρησιμοποιείται το λογισμικό Weka και τρεις μέθοδοι ταξινόμησης, τα δέντρα αποφάσεων, τα νευρωνικά δίκτυα και τα Bayesian Belief Networks.
Due to the rapidly expanding technology activities, huge data sets have been created (Big Data). Due to the large volume of data and their complexity, it is difficult to work with them and discover knowledge in traditional ways. Now, the best tool for Knowledge Discovery in Databases (KDD) is Data Mining. Finding useful data, identifying hidden patterns and properly exploiting the knowledge discovered makes the data mining industry one of the fastest growing industries. This study extracts data for the detection of fraudulent financial statements in Greek companies listed on the Athens Stock Exchange using machine learning methods. Weka software and three classification methods, decision trees, neural networks and Bayesian Belief Networks, are used.
Due to the rapidly expanding technology activities, huge data sets have been created (Big Data). Due to the large volume of data and their complexity, it is difficult to work with them and discover knowledge in traditional ways. Now, the best tool for Knowledge Discovery in Databases (KDD) is Data Mining. Finding useful data, identifying hidden patterns and properly exploiting the knowledge discovered makes the data mining industry one of the fastest growing industries. This study extracts data for the detection of fraudulent financial statements in Greek companies listed on the Athens Stock Exchange using machine learning methods. Weka software and three classification methods, decision trees, neural networks and Bayesian Belief Networks, are used.
Περιγραφή
Λέξεις-κλειδιά
Ελεγκτική, Απάτη, Επιστήμη των δεδομένων, Εξόρυξη δεδομένων, Μηχανική μάθηση, Auditing, Fraud, Data science, Data mining, Machine learning
Θεματική κατηγορία
Λογιστική, Δεδομένα
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής και Χρηματοιοκονομικής
Όνομα επιβλέποντος
Γκόγκος, Χρήστος
Εξεταστική επιτροπή
Χύτης, Ευάγγελος
Καραμάνης, Κωνσταντίνος
Καραμάνης, Κωνσταντίνος
Γενική Περιγραφή / Σχόλια
Τμήμα Λογιστικής και Χρηματοοικονομικής - MAF - A/A 0191
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Τ.Ε.Ι. Ηπείρου
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Διαμάντη, Β., 2020. Ανίχνευση ψευδών οικονομικών καταστάσεων με μεθόδους εξόρυξης δεδομένων. Μεταπτυχιακή εργασία. Πρέβεζα: ΤΕΙ Ηπείρου. Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής & Χρηματοοικονομικής.
Ονόματα συντελεστών
Αριθμός σελίδων
83
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα