Τα μεγάλα εταιρικά σκάνδαλα των τελευταίων δεκαετιών, το ανταγωνιστικό οικονομικό περιβάλλον και οι πιέσεις που υφίστανται τα στελέχη των επιχειρήσεων να πετύχουν όλο και υψηλότερους στόχους, σηματοδοτούν μια νέα απειλή για το χρηματοοικονομικό σύστημα: την παραποίηση των λογιστικών καταστάσεων. Παράλληλα, πληθαίνουν οι επιχειρήσεις που κηρύσσουν πτώχευση εξαιτίας παραποίησης λογιστικών καταστάσεων. Χαρακτηριστικό παράδειγμα η Enron η οποία παρά την ανοδική της πορεία, ειδικότερα μετά τα μέσα της δεκαετίας του 1990, κήρυξε πτώχευση λίγες εβδομάδες μετά την αποκάλυψη ότι είχαν παραποιηθεί οι λογιστικές της καταστάσεις. Μια πολλά υποσχόμενη λύση σε προβλήματα πρόβλεψης παραποιημένων λογιστικών καταστάσεων και πτώχευσης επιχειρήσεων αποτελεί η μηχανική μάθηση. Κύριος στόχος η δημιουργία αλγορίθμων που μέσα από την εμπειρική απόκτηση και ενοποίηση γνώσεων παρέχει τη δυνατότητα αυτόματης επίλυσης περίπλοκων προβλημάτων. Σκοπός της εργασίας αυτής είναι η πρόβλεψη παραποιημένων λογιστικών καταστάσεων και η πτώχευση επιχειρήσεων με μεθόδους εξόρυξης δεδομένων. Αρχικά εισάγονται οι βασικές έννοιες των χρηματοοικονομικών καταστάσεων και αναλύονται θέματα σχετικά με τη σημασία τους για μια επιχείρηση. Στη συνέχεια εισάγονται οι όροι της χρηματοοικονομικής αποτυχίας και αναλύονται τα κύρια μοντέλα που συνήθως χρησιμοποιούνται για την έγκαιρη πρόβλεψη της χρηματοοικονομικής αποτυχίας. Όσον αφορά τη μηχανική μάθηση γίνεται αναφορά στις βασικές έννοιες, στις τεχνικές εξόρυξης γνώσης και αναλύονται οι σημαντικότερες τεχνικές ταξινόμησης. Χρησιμοποιείται ένας αντιπροσωπευτικός αλγόριθμος για κάθε μία από τις βασικότερες τεχνικές ταξινόμησης στη διερεύνηση της αποτελεσματικότητάς τους στην πρόβλεψη παραποιημένων λογιστικών καταστάσεων και πτώχευσης επιχειρήσεων. Μέσω ενός αυτοματοποιημένου συστήματος (στατιστικό πακέτο R), παρουσιάζονται τα αποτελέσματα της πειραματικής διαδικασίας και αξιολογούνται οι δημοφιλέστεροι αλγόριθμοι μηχανικής μάθησης: o αλγόριθμος C4.5 [45] ως αντιπροσωπευτικός των δέντρων απόφασης, ο RBF [46] των Τεχνητών Νευρωνικών Δικτύων, ο αλγόριθμος RIPPER [47] ως αντιπροσωπευτικός της μάθησης με κανόνες και ο αλγόριθμος Bagging ως αντιπροσωπευτικός των ομάδων ταξινομητών. Επιπλέον, χρησιμοποιήσαμε τον αλγόριθμο SMO (Sequential Minimal Optimization) ως αντιπροσωπευτικό για τις Μηχανές Διανυσμάτων Υποστήριξης [48]. Για τα σύνολα δεδομένων που χρησιμοποιήσαμε κατά την πειραματική διαδικασία ο αλγοριθμος RBF εμφανίζεται ακριβέστερος κατά την πρόβλεψη τόσο στο πρόβλημα πρόβλεψης πτώχευσης επιχειρήσεων όσο και στο πρόβλημα πρόβλεψης παραποίησης λογιστικών καταστάσεων. Τέλος, στα πλαίσια της παρούσας διπλωματικής εργασίας υλοποιήθηκαν δύο εφαρμογές σε javascript, οι οποίες περιλαμβάνουν τα κυριότερα κριτήρια – αριθμοδείκτες που μπορούν να προβλέψουν την πιθανότητα πτώχευση μιας επιχείρησης και την πιθανότητα παραποίηση των λογιστικών καταστάσεων. / --