Εξόρυξη Δεδομένων στη Λογιστική

General

• Code: 190601
• Semester: 6th
• Study Level: Undergraduate
• Course type: General Background
• Teaching and exams language: Ελληνικά
• The course is offered to Erasmus students
• Teaching Methods (Hours/Week): Διαλέξεις- Ασκήσεις Πράξης (3)
• ECTS Units: 6
• Course homepage: https://moodle.teithe.gr/
• Instructors: Kirkos Efstathios, Tiakas Eleftherios

Course Contents

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.

Educational Goals

Σκοπός του μαθήματος είναι να εισάγει τον φοιτητή στις βασικές έννοιες …

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση:

• Να αναλύει την…
• Να περιγράφει τις…
• Να κατανοεί το…
• Να συγκρίνει τα…

General Skills

• 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

Teaching Methods

Πρόσωπο με πρόσωπο, Εξ αποστάσεως ασύγχρονη εκπαίδευση, Ασκήσεις Πράξης

Use of ICT means

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

Teaching Organization

Students Evaluation

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.

Recommended Bibliography

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

Related Research Journals

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