ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Εξόρυξη Δεδομένων στη Λογιστική

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ	Σχολή Οικονομίας και Διοίκησης
ΤΜΗΜΑ	Τμήμα Λογιστικής και Πληροφοριακών Συστημάτων
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ	Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ	190601	ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ		6ο
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ	Εξόρυξη Δεδομένων στη Λογιστική
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων.			ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ		ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις- Ασκήσεις Πράξης			3		6
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) .	Γενικού υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:	Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS	Ναι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)	https://moodle.teithe.gr/

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.
Η Εξόρυξη Δεδομένων αποτελεί τεχνολογία αιχμής με αναγνωρισμένες εφαρμογές στον χώρο της Λογιστικής και των Οικονομικών. Το μάθημα δίνει την δυνατότητα στους φοιτητές να εντρυφήσουν στις μεθοδολογίες της Εξόρυξης Δεδομένων, να κατανοήσουν τις δυνατότητες και τους περιορισμούς τους και να γνωρίσουν τα πεδία και τους τρόπους εφαρμογής τους για σκοπούς που άπτονται της Λογιστικής και της Χρηματοοικονομικής Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να Κατανοεί τα χαρακτηριστικά, τις δυνατότητες και τους περιορισμούς των μεθόδων Εξόρυξης Δεδομένων Γνωρίζει τα διακριτά στάδια στην διαδικασία απόκτησης γνώσης Γνωρίζει τις αναγκαίες εργασίες που πρέπει να εκτελεστούν στα πλαίσια της προεπεξεργασίας των δεδομένων Γνωρίζει τις μεθόδους κατηγοριοποίησης καθώς και τους τρόπους εφαρμογής τους για την ανάκτηση γνώσης Αξιολογεί και αναλύει τα αποτελέσματα και την ανακτηθείσα γνώση Σχεδιάζει και υλοποιεί εργασίες ανάλυσης δεδομένων με χρήση τεχνικών data mining και αξιοποιεί τα αποτελέσματα για την λήψη αποφάσεων Εφαρμόζει μεθόδους data mining για την αντιμετώπιση προβλημάτων όπως η πρόβλεψη χρεοκοπίας, η αναγνώριση παραποίησης χρηματοοικονομικών καταστάσεων, ο εντοπισμός περιπτώσεων όπου οι εξωτερικοί ελεγκτές εκδίδουν δυσμενή σχόλια, η εκτίμηση πιστοληπτικής ικανότητας (credit scoring), η πρόβλεψη του τύπου του εξωτερικού ελεγκτή ως ενδεικτικό του της επιδιωκόμενης ποιότητας ελέγχου.
Γενικές Ικανότητες Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών		Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών Λήψη αποφάσεων Αυτόνομη εργασία Ομαδική εργασία Εργασία σε διεθνές περιβάλλον Εργασία σε διεπιστημονικό περιβάλλον Παραγωγή νέων ερευνητικών ιδεών Σχεδιασμός και διαχείριση έργων Άσκηση κριτικής και αυτοκριτικής Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Εισαγωγή στο Data Mining, Είδη Εξαγόμενης Γνώσης, Στάδια στην Εξαγωγή της Γνώσης, Είδη Δεδομένων για Εξόρυξη, Εφαρμογές του Data Mining στα Οικονομικά και την Λογιστική Προεπεξεργασία Δεδομένων, Χαμένες τιμές, Θόρυβος, Κανονικοποίηση Δεδομένων Εξόρυξη Κανόνων Σχέσης, Αντικειμενοσύνολα, Apriori, Support, Confidence, Lift, Πολυδιάστατοι Κανόνες Σχέσης, Αριθμητικά Πεδία Κατηγοριοποίηση και Πρόβλεψη, Επιβλεπόμενη Μάθηση, Επικύρωση, Data Overfitting, Στάδια στην Κατηγοριοποίηση, Κριτήρια Αποτίμησης Μεθόδων Κατηγοριοποίησης Δένδρα Αποφάσεων, ID3, C4.5, Εντροπία, Κέρδος Πληροφορίας, Κλάδεμα, Θρυμματισμός, Επανάληψη, Πλεονεκτήματα και Μειονεκτήματα Δένδρων Αποφάσεων Μπαϋεσινά Δίκτυα Πίστεως, Θεώρημα Bayes, Αφελείς Μπαϋεσιανοί Κατηγοριοποιητές, Μπαϋεσιανά Δίκτυα, Ακυκλικοί Γράφοι, Conditional Probability Tables, Πλεονεκτήματα και Μειονεκτήματα Μπαϋεσιανών Δικτύων Instance Based Classifiers, k-Πλησιέστεροι Γείτονες, Ευκλείδεια Απόσταση και εναλλακτικές, Πλεονεκτήματα και Μειονεκτήματα IBCs, Στατιστική Παλινδρόμηση, Γραμμική και Πολυωνυμική Παλινδρόμηση, Logistic Regression, Πλεονεκτήματα και Μειονεκτήματα. Μηχανές Διανυσμάτων Υποστήριξης,, χώρος Hilbert, Περιθώρια, Βέλτιστη Καμπύλη, Πλεονεκτήματα και Μειονεκτήματα, Γενετικοί Αλγόριθμοι, Πληθυσμοί, Γενετικοί Τελεστές, Πλεονεκτήματα και Μειονεκτήματα Κατηγοριοποίηση – Ειδικά Θέματα, Επικύρωση, Holdout set, Cross validation, Jackknife, Bootstrap, Ανά Κλάση Επιδόσεις, Καμπύλες ROC, Αύξηση Επιδόσεων, Bagging Εφαρμογές Data Mining στη Λογιστική, Πρόβλεψη Χρεοκοπίας, Going Concern, Πρόβλεψη Σχολίων Εξωτερικών Ελεγκτών, Εντοπισμός Απάτης, Εκτίμηση Πιστοληπτικού Κινδύνου, Πρόβλεψη Επιδόσεων Επιχειρήσεων.

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Πρόσωπο με πρόσωπο, Εξ αποστάσεως ασύγχρονη εκπαίδευση, Ασκήσεις Πράξης

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

Χρήση διαφανειών Power Point, ανάρτηση του εκπαιδευτικού υλικού στο Moodle, ηλεκτρονική επικοινωνία με τους φοιτητές.

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Δραστηριότητα	Φόρτος εργασίας εξαμήνου
Διαλέξεις	39
Εκπόνηση εργασίας	40
Αυτοτελής Μελέτη	71
Σύνολο	150

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

Η αξιολόγηση των φοιτητών γίνεται κατά 60% με γραπτές εξετάσεις που περιλαμβάνουν ερωτήσεις πολλαπλής επιλογής, ερωτήσεις Σωστού/Λάθους και ερωτήσεις σύντομης ανάπτυξης Κατά 40% η τελική βαθμολογία προκύπτει από εκπόνηση εργασίας.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

Επιχειρηματική Ευφυΐα και Εξόρυξη Δεδομένων, Κύρκος Ε., ΣΕΑΒ Han and Camber, Data Mining concepts and techniques, Morgan Kaufman

Συναφή επιστημονικά περιοδικά

Expert Systems with Applications (Elsevier)
Intelligent Systems in Accounting Finance and Management (Wiley)
Journal of Emerging Technologies in Accounting (American Accounting Association)