Επιχειρηματικές εφαρμογές συστημάτων βαθιάς μάθησης (Master thesis)
Χατζησταύρου, Παναγιώτα
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Χατζησταύρου, Παναγιώτα | el |
| dc.date.accessioned | 2024-04-13T19:35:00Z | - |
| dc.date.available | 2024-04-13T19:35:00Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/16511 | - |
| dc.description | Μεταπτυχιακή εργασία - Σχολή Οικονομίας και Διοίκησης - Τμήμα Λογιστικής και Πληροφοριακών Συστημάτων, 2023 (α/α 13979) | el |
| dc.rights | Default License | - |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Χρεοκοπία | el |
| dc.subject | Οικονομική απάτη | el |
| dc.subject | Οικονομική δυσπραγία | el |
| dc.subject | Ετήσιες εκθέσεις | el |
| dc.subject | Εταιρική αποτυχία | el |
| dc.subject | Συνεχιζόμενη δραστηριότητα | el |
| dc.subject | Deep learning | en |
| dc.subject | Bankruptcy | en |
| dc.subject | Financial fraud | en |
| dc.subject | Financial distress | en |
| dc.subject | Annual reports | en |
| dc.subject | Corporate failure | en |
| dc.subject | Going concern | en |
| dc.title | Επιχειρηματικές εφαρμογές συστημάτων βαθιάς μάθησης | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.generalDescription | Μεταπτυχιακή εργασία | el |
| heal.classification | Χρεοκοπία -- Πρόληψη | el |
| heal.classification | Βαθιά μάθηση (Μηχανική μάθηση) | el |
| heal.classification | Οικονομική πρόβλεψη -- Προγράμματα υπολογιστών | el |
| heal.classification | Απάτη | el |
| heal.classification | Bankruptcy -- Prevention | en |
| heal.classification | Deep learning (Machine learning) | en |
| heal.classification | Economic forecasting -- Computer programs | en |
| heal.classification | Fraud | en |
| heal.identifier.secondary | 13979 | - |
| heal.dateAvailable | 2024-04-13T19:36:00Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Τμήμα Λογιστικής και Πληροφοριακών Συστημάτων | el |
| heal.publicationDate | 2023-03-06 | - |
| heal.bibliographicCitation | Χατζησταύρου, Π. (2023). Επιχειρηματικές Εφαρμογές Συστημάτων Βαθιάς Μάθησης (Μεταπτυχιακή εργασία). ΔΙ.ΠΑ.Ε. | el |
| heal.abstract | Στις μέρες μας η σημασία της πρόβλεψης της μελλοντικής οικονομικής κατάστασης των επιχειρήσεων αποκτά όλο και μεγαλύτερη σημασία, και είναι χρήσιμη τόσο για τις ίδιες τις επιχειρήσεις όσο και για τα ενδιαφερόμενα μέρη της αγοράς, διότι βοηθάει στην έγκαιρη πληροφόρηση και υποστήριξη των διαδικασιών λήψης αποφάσεων για την επίτευξη των στόχων τους, και την προστασία τους από τις οικονομικές απώλειες του παρελθόντος. Η ανάγκη πρόβλεψης της μελλοντικής οικονομικής κατάστασης των επιχειρήσεων οδήγησε τους ερευνητές να ασχοληθούν με την ανάπτυξη αυτοματοποιημένων συστημάτων πρόβλεψης. Μέχρι σήμερα οι περισσότερες μελέτες εφάρμοσαν παραδοσιακές μεθόδους στατιστικής ανάλυσης και μηχανικής μάθησης, όμως με αρκετά μειονεκτήματα λόγω των περιορισμένων δυνατοτήτων τους. Έτσι η ανάγκη χρήσης πιο εξελιγμένης τεχνολογίας ήταν επιτακτική. Τα τελευταία χρόνια η τεχνολογική πρόοδος και η δυνατότητα διαχείρισης μεγάλου όγκου δεδομένων δημιούργησαν τις προϋποθέσεις για την ανάπτυξη της μεθόδου deep learning. Πρόκειται για μια προηγμένη προσέγγιση μηχανικής μάθησης, η οποία μάλιστα χρησιμοποιείται ήδη σε πλήθος εφαρμογών, καλύπτοντας ένα ευρύ φάσμα επιστημονικών πεδίων με επιτυχία. Αντικείμενο της παρούσας εργασίας είναι η βιβλιογραφική ανασκόπηση δεκαπέντε ερευνητικών άρθρων που έχουν πραγματοποιηθεί τα τελευταία χρόνια για την πρόβλεψη της πιθανότητας απάτης, οικονομικής δυσπραγίας, χρεοκοπίας, οικονομικής αποτυχίας και συνεχιζόμενης δραστηριότητας των επιχειρήσεων. Σκοπός είναι η διερεύνηση της ενδεχόμενης ανωτερότητας και της αποτελεσματικότητας των μοντέλων deep learning έναντι των παραδοσιακών στατιστικών και machine learning μοντέλων, ο εντοπισμός του οφέλους χρήσης τους αλλά και των ευκαιριών που προσφέρουν για περαιτέρω έρευνα. Πράγματι, στο σύνολο των πειραματικών διαδικασιών, τα μοντέλα deep learning σημείωσαν εξαιρετικές αποδόσεις επιβεβαιώνοντας την ανωτερότητα και την αξιοπιστία τους, και υποδεικνύοντας ότι πρόκειται για μια πολλά υποσχόμενη μέθοδο, ικανή να συμβάλλει στην ενίσχυση των διαδικασιών λήψης αποφάσεων όλων των ενδιαφερόμενων μερών, στη βελτίωση και επιτάχυνση των ελεγκτικών διαδικασιών και την αποτελεσματικότερη διοίκηση. Ωστόσο χρήζει περαιτέρω έρευνας δεδομένου ότι μέχρι σήμερα η εφαρμογή της στη χρηματοοικονομική ανάλυση είναι ακόμα περιορισμένη. | el |
| heal.abstract | Nowadays the importance of predicting the future financial situation of companies is becoming more and more important, and it is useful both for the companies themselves and for the market stakeholders because it helps in timely information provision and supporting decision-making processes, to achieve their goals and protect them from the past financial losses. The need of predicting the future financial situation of companies led researchers to deal with the development of automated predicting systems. Until today most studies have applied traditional statistical analysis and machine learning methods, but with several disadvantages due to their limited capabilities. So, the need of using more advanced technology was imperative. In the last years the technological progress and the ability to manage large amounts of data created the conditions for the development of deep learning methods. It is about an advanced machine learning approach which in fact is already used in many applications covering a wide range of scientific fields with success. The object of this paper is the bibliographic review of fifteen research articles which have taken place in recent years to predict the probability of fraud, financial distress, bankruptcy, financial failure and going concern of companies. The purpose is to assess the superiority and the effectiveness of deep learning models over traditional statistical and machine learning models, to identify the benefit of their use and also the opportunities they offer for future research. Indeed, in all the experimental procedures, the deep learning models showed excellent performance, confirming their superiority and reliability, as well as indicating that it is about a promising method capable to contribute to strengthening the decision-making processes of all stakeholders, improving and accelerating the auditing procedures and more efficient administration. However, it needs further research, given the fact that until today its application in financial analysis is still limited. | en |
| heal.advisorName | Κύρκος, Ευστάθιος Γ. | - |
| heal.committeeMemberName | ΧΧ, ΧΧ | el |
| heal.committeeMemberName | ΧΧ, ΧΧ | el |
| heal.committeeMemberName | ΧΧΧ, ΧΧΧ | el |
| heal.academicPublisher | Σχολή Οικονομίας και Διοίκησης/ Τμήμα Λογιστικής και Πληροφοριακών Συστημάτων | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 157 | - |
| heal.fullTextAvailability | true | - |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| Appears in Collections: | Μεταπτυχιακές Διατριβές | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΧΑΤΖΗΣΤΑΥΡΟΥ ΠΑΝΑΓΙΩΤΑ.pdf | 7.76 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/16511
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
