1. Repository of OAI
  2. ΑΠΟΘΕΤΗΡΙΟ "ΟΛΥΜΠΙΑΣ"
  3. Τ.Ε.Ι. ΗΠΕΙΡΟΥ
  4. Σχολή Διοίκησης και Οικονομίας
  5. Τμήμα Λογιστικής και Χρηματοοικονομικής
  6. Μεταπτυχιακές εργασίες Τμ. Λογιστικής και Χρηματοοικονομικής ΤΕΙ Ηπείρου
Ελληνικά   English  
Please use this identifier to cite or link to this item: https://olympias.lib.uoi.gr/jspui/handle/teiep/10790
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΔιαμάντη, Βασιλικήel
dc.date.accessioned2020-04-10T08:11:21Z-
dc.date.issued2020-04-10-
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/teiep/10790-
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subjectΕλεγκτικήel
dc.subjectΑπάτηel
dc.subjectΕπιστήμη των δεδομένωνel
dc.subjectΕξόρυξη δεδομένωνel
dc.subjectΜηχανική μάθησηel
dc.subjectAuditingen
dc.subjectFrauden
dc.subjectData scienceen
dc.subjectData miningen
dc.subjectMachine learningen
dc.titleΑνίχνευση ψευδών οικονομικών καταστάσεων με μεθόδους εξόρυξης δεδομένων.el
dc.titleDetection of fraudulent financial statements using data mining methods.en
heal.typemasterThesisel
heal.generalDescriptionΤμήμα Λογιστικής και Χρηματοοικονομικής - MAF - A/A 0191el
heal.classificationΛογιστικήel
heal.classificationΔεδομέναel
heal.dateAvailable2020-10-09T21:00:00Z-
heal.languageelel
heal.accessfreeel
heal.recordProviderΤ.Ε.Ι. Ηπείρουel
heal.publicationDate2020-03-
heal.bibliographicCitationΔιαμάντη, Β., 2020. Ανίχνευση ψευδών οικονομικών καταστάσεων με μεθόδους εξόρυξης δεδομένων. Μεταπτυχιακή εργασία. Πρέβεζα: ΤΕΙ Ηπείρου. Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής & Χρηματοοικονομικής.el
heal.abstractΕξαιτίας 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.el
heal.abstractDue 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.en
heal.advisorNameΓκόγκος, Χρήστοςel
heal.committeeMemberNameΧύτης, Ευάγγελοςel
heal.committeeMemberNameΚαραμάνης, Κωνσταντίνοςel
heal.academicPublisherΣχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής και Χρηματοιοκονομικήςel
heal.academicPublisherIDuoiel
heal.numberOfPages83el
heal.fullTextAvailabilitytrue-
dc.contributor.masterΜΠΣ: Λογιστική - Χρηματοοικονομική και Διοικητική Επιστήμηel
Appears in Collections:Μεταπτυχιακές εργασίες Τμ. Λογιστικής και Χρηματοοικονομικής ΤΕΙ Ηπείρου

Show simple item record
Files in This Item:
File Description SizeFormat 
Diamanti,V._MAF_2020.pdfΜεταπτυχιακή εργασία11.63 MBAdobe PDFView/Open
Show simple item record  


This item is licensed under a Creative Commons License Creative Commons