Εφαρμογές Εξόρυξης Δεδομένων

Γενικά

• Κωδικός: 190609
• Εξάμηνο: 6ο
• Επίπεδο Σπουδών: Προπτυχιακό
• Τύπος μαθήματος: Γενικού υποβάθρου
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Το μάθημα διατίθεται σε φοιτητές Erasmus
• Μέθοδοι Διδασκαλίας (Ώρες/εβδ.): ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ (3)
• Μονάδες ECTS: 4
• Σελίδα μαθήματος: https://moodle.teithe.gr/

Περιεχόμενα μαθήματος

• Γνωριμία με τα λογισμικά WEKA, TANAGRA, BN POWER PREDICTOR
• Προεπεξεργασία δεδομένων με χρήση του EXCEL και λογισμικών data mining
• Κανόνες Συσχέτισης
• Δένδρα Αποφάσεων
• Νευρωνικά
• Δίκτυα Μπαϋεσιανοί Κατηγοριοποιητές
• Μηχανές Διανυσμάτων Υποστήριξης
• Λογιστική Παλινδρόμηση
• Κατηγοριοποιητές βασισμένοι σε παραδείγματα
• Χρήση όλων των παραπάνω τεχνικών για τη δημιουργία μοντέλων πρόβλεψης με ανάλυση χρηματοοικονομικών δεδομένων
• Αποτίμηση αποτελεσμάτων κατηγοριοποιητών
• Σύνθετοι κατηγοριοποιητές – Bagging
• Εφαρμογή των παραπάνω μεθόδων στα περιβάλλοντα WEKA, TANAGRA, BN POWER PREDICTOR
• Χρήση των παραπάνω μεθόδων για δημιουργία μοντέλων πρόβλεψης χρεοκοπίας, αναγνώρισης παραποίησης χρηματοοικονομικών καταστάσεων, εντοπισμού περιπτώσεων όπου οι εξωτερικοί ελεγκτές εκδίδουν δυσμενή σχόλια, εκτίμησης πιστοληπτικής ικανότητας κλπ.

Μαθησιακοί Στόχοι

Η Εξόρυξη Δεδομένων αποτελεί τεχνολογία αιχμής με αναγνωρισμένες εφαρμογές στον χώρο της Λογιστικής και των Οικονομικών. Το μάθημα δίνει την δυνατότητα στους φοιτητές να εφαρμόσουν στην πράξη μεθοδολογίες Εξόρυξης Δεδομένων για την αντιμετώπιση λογιστικών και χρηματοοικονομικών προβλημάτων με τη χρήση εξειδικευμένου λογισμικού data mining Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να

• Εκτελεί εργασίες προεπεξεργασίας δεδομένων.
• Αναλύει οικονομικά δεδομένα χρησιμοποιώντας κανόνες συσχέτισης.
• Εφαρμόζει μεθόδους κατηγοριοποίησης για τη δημιουργία μοντέλων πρόβλεψης οικονομικών δεδομένων.
• Εφαρμόζει μεθόδους αξιολόγησης αποτελεσμάτων κατηγοριοποιητών.
• Σχεδιάζει και υλοποιεί εργασίες ανάλυσης δεδομένων με χρήση τεχνικών data mining και αξιοποιεί τα αποτελέσματα για την λήψη αποφάσεων.
• Χειρίζεται το λογισμικό data mining “WEKA”
• Χειρίζεται το λογισμικό data mining “TANAGRA”
• Χειρίζεται το λογισμικό data mining “BN POWER PREDICTOR”

Γενικές Ικανότητες

• 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

Μέθοδοι Διδασκαλίας

Εργαστηριακές ασκήσεις

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

Διεξαγωγή εργαστηριακών ασκήσεων με χρήση υπολογιστών, χρήση διαφανειών Power Point, ανάρτηση του εκπαιδευτικού υλικού στο Moodle, ηλεκτρονική επικοινωνία με τους φοιτητές.

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

Η αξιολόγηση των φοιτητών γίνεται με εξετάσεις που περιλαμβάνουν εκτέλεση εργαστηριακών ασκήσεων.

Συνιστώμενη Βιβλιογραφία

• Σημειώσεις μαθήματος διανεμόμενες ηλεκτρονικά
• 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)