युनिट I : मशिन लर्निंग क्लासिक आणि अडॅप्टिव्ह मशीन्सचा परिचय, मशीन लर्निंग बाबी, मशीन लर्निंग-डीप लर्निंग आणि बायो-प्रेरित अनुकूली प्रणाली, मशीन लर्निंग आणि बिग डेटा. मशीन लर्निंगचे महत्त्वाचे घटक - डेटा फॉरमॅट्स, शिकण्याची क्षमता, सांख्यिकीय शिक्षण पद्धती, माहिती सिद्धांताचे घटक. (अध्याय - 1) युनिट II : वैशिष्ट्य निवड स्किट- डेटासेट शिका, प्रशिक्षण आणि चाचणी संच तयार करणे, स्पष्ट डेटा व्यवस्थापित करणे, गहाळ वैशिष्ट्ये व्यवस्थापित करणे, डेटा स्केलिंग आणि सामान्यीकरण, वैशिष्ट्य निवड आणि फिल्टरिंग, तत्त्व घटक विश्लेषण (PCA)-नॉन नकारात्मक मॅट्रिक्स फॅक्टरायझेशन , स्पार्स पीसीए, कर्नल पीसीए. अॅटम एक्सट्रॅक्शन आणि डिक्शनरी लर्निंग. (अध्याय - 2) युनिट III : प्रतिगमन रेखीय प्रतिगमन - रेखीय मॉडेल, द्वि-आयामी उदाहरण, रेखीय प्रतिगमन आणि उच्च परिमाण, रिज, लॅसो आणि इलास्टिकनेट, यादृच्छिक नमुना सहमतीसह मजबूत प्रतिगमन, बहुपदी प्रतिगमन, समस्थानिक प्रतिगमन, रेखीय प्रतिगमन - लॉजिस्टिक रीग्रेशन वर्गीकरण, लॉजिस्टिक रीग्रेशन, अंमलबजावणी आणि ऑप्टिमायझेशन, स्टोकास्टिक ग्रेडियंट डिसेंडंट अल्गोरिदम, ग्रिड शोधाद्वारे इष्टतम हायपर-पॅरामीटर्स शोधणे, वर्गीकरण मेट्रिक, आरओसी वक्र. (अध्याय - 3) एकक IV : नेव्ह बेज आणि सपोर्ट वेक्टर मशीन बेजचे प्रमेय, नेव्ह बेज. क्लासिफायर्स, स्किटमधील नेव्ह बेज- शिका- बर्नौली नेव्ह बेज, मल्टीनॉमियल नेव्ह बेज आणि गॉसियन नेव्ह बेज. सपोर्ट वेक्टर मशीन(SVM) - लिनियर सपोर्ट वेक्टर मशीन्स, स्किट - शिका अंमलबजावणी - रेखीय वर्गीकरण, कर्नल आधारित वर्गीकरण, नॉन-लिनियर उदाहरणे. नियंत्रित सपोर्ट वेक्टर मशीन्स, सपोर्ट वेक्टर रिग्रेशन. (अध्याय - 4) एकक V : निर्णय झाडे आणि एन्सेम्बल लर्निंग डिसिजन ट्री - अशुद्धता उपाय, वैशिष्ट्य महत्त्व. स्किट-लर्न, एन्सेम्बल लर्निंग-रँडम फॉरेस्ट, अॅडाबूस्ट, ग्रेडियंट ट्री बूस्टिंग, व्होटिंग क्लासिफायरसह निर्णय वृक्ष वर्गीकरण. क्लस्टरिंग फंडामेंटल्स - बेसिक्स, के-मीन्स : क्लस्टरची इष्टतम संख्या शोधणे, DBSCAN, स्पेक्ट्रल क्लस्टरिंग. ग्राउंड ट्रुथवर आधारित मूल्यमापन पद्धती- एकजिनसीपणा, पूर्णता, समायोजित रँड इंडेक्स. मेटा क्लासिफायरचा परिचय: कमकुवत आणि उत्सुक शिकणाऱ्याच्या संकल्पना, एन्सेम्बल पद्धती, बॅगिंग, बूस्टिंग, यादृच्छिक जंगले. (अध्याय - 5) युनिट VI : क्लस्टरिंग तंत्र श्रेणीबद्ध क्लस्टरिंग, अपेक्षा जास्तीत जास्त क्लस्टरिंग, अॅग्लोमेरेटिव्ह क्लस्टरिंग- डेंड्रोग्राम, स्किटमध्ये अॅग्लोमेरेटिव्ह क्लस्टरिंग- शिकणे, कनेक्टिव्हिटी मर्यादा. शिफारस प्रणालींचा परिचय - भोळे वापरकर्ता आधारित प्रणाली, सामग्री आधारित प्रणाली, मॉडेल मुक्त सहयोगी फिल्टरिंग-एकवचन मूल्य विघटन, कमीत कमी चौरस पर्यायी. डीप नेटवर्क्सची मूलभूत तत्त्वे - डीप लर्निंगची व्याख्या, डीप नेटवर्क्सची सामान्य वास्तुशास्त्रीय तत्त्वे, खोल नेटवर्कचे बिल्डिंग ब्लॉक्स. (अध्याय - 6)