Los datos contables libres de fraude y errores son una piedra angular de las operaciones comerciales legítimas. El trabajo altamente complejo y laborioso de los auditores financieros requiere encontrar nuevas soluciones y algoritmos para garantizar la corrección de los estados financieros. Tanto las técnicas de aprendizaje automático (ML) supervisadas como no supervisadas se están aplicando con éxito en la actualidad para detectar fraudes y anomalías en los datos. En contabilidad, es un problema de larga data detectar declaraciones financieras erróneas consideradas anómalas en los datos del libro mayor (GL). Actualmente, técnicas ampliamente utilizadas como el muestreo aleatorio y la evaluación manual de las reglas contables se vuelven desafiantes e inciertas debido al aumento de los volúmenes de datos y patrones fraudulentos desconocidos. Para abordar el riesgo de muestreo y la ineficiencia de la auditoría financiera, aplicamos siete técnicas de ML supervisadas, incluyendo aprendizaje profundo, y dos técnicas de ML no supervisadas, como el bosque de aislamiento y los autoencoders. Entrenamos y evaluamos nuestros modelos en un conjunto de datos de GL de la vida real y utilizamos la vectorización de datos para resolver la variabilidad en el tamaño de las entradas del diario. Los resultados de la evaluación mostraron que los mejores modelos supervisados y no supervisados entrenados tienen un alto potencial para detectar tipos de anomalías predefinidos, así como para muestrear datos de manera eficiente y discernir entradas de diario de mayor riesgo. Basándonos en nuestros hallazgos, discutimos las posibles implicaciones prácticas de las soluciones resultantes en los contextos de contabilidad y auditoría.