1. संभाव्यतेची मूलतत्त्वे, यादृच्छिक प्रक्रिया आणि रेखीय बीजगणित (रीकॅप) : संभाव्यता : घटनांचे स्वातंत्र्य, सशर्त आणि संयुक्त संभाव्यता, बेयस प्रमेय यादृच्छिक प्रक्रिया : स्थिर आणि स्थिर नसलेल्या प्रक्रिया, अपेक्षा, स्वयंसंबंध, क्रॉस-कॉरिलेशन, स्पेक्ट्रा. (अध्याय - 1) 2. रेखीय बीजगणित : अंतर्गत उत्पादन, बाह्य उत्पादन, व्युत्क्रम, इजेन व्हॅल्यू, इजेन व्हेक्टर, एकवचन मूल्य, एकवचन सदिश. (अध्याय - 2) 3. बेज निर्णय सिद्धांत : किमान-त्रुटी-दर वर्गीकरण. वर्गीकरण, भेदभाव कार्ये, निर्णय पृष्ठभाग. सामान्य घनता आणि भेदभाव कार्ये. स्वतंत्र वैशिष्ट्ये. (अध्याय - 3) 4. पॅरामीटर अंदाज पद्धती : कमाल-संभाव्यता अंदाज : गॉसियन केस. जास्तीत जास्त पोस्टेरिओरी अंदाज. बायेसियन अंदाज: गॉसियन केस. पर्यवेक्षण न केलेले शिक्षण आणि क्लस्टरिंग - क्लस्टरिंगसाठी निकष कार्ये. क्लस्टरिंगसाठी अल्गोरिदम: के-मीन्स, श्रेणीबद्ध आणि इतर पद्धती. क्लस्टर प्रमाणीकरण. गॉसियन मिश्रण मॉडेल, पॅरामीटर अंदाजासाठी अपेक्षा-अधिकतम पद्धत. कमाल एन्ट्रॉपी अंदाज. अनुक्रमिक नमुना ओळख. लपलेले मार्कोव्ह मॉडेल (HMMs). स्वतंत्र HMM. सतत HMMs. घनतेच्या अंदाजासाठी नॉनपॅरामेट्रिक तंत्र, के-नजीकच्या शेजारी पद्धत. (अध्याय - 4) 5. परिमाण कमी करणे : मुख्य घटक विश्लेषण - आयजेन विश्लेषणाशी त्याचा संबंध. फिशर भेदभाव विश्लेषण - सामान्यीकृत आयजेन विश्लेषण. शब्दकोश म्हणून आयजेन वेक्टर/एकवचन वेक्टर. घटक विश्लेषण, एकूण परिवर्तनशीलता जागा - एक शब्दकोश शिक्षण पद्धती. नॉन-निगेटिव्ह मॅट्रिक्स फॅक्टरायझेशन - डिक्शनरी शिकण्याची पद्धत. (अध्याय - 5) 6. रेखीय भेदभाव कार्ये : ग्रेडियंट डिसेंट प्रक्रिया, परसेप्ट्रॉन, सपोर्ट वेक्टर मशीन - एक संक्षिप्त परिचय. (अध्याय - 6) 7. कृत्रिम न्यूरल नेटवर्क : मल्टीलेअर परसेप्ट्रॉन - फीड फॉरवर्ड न्यूरल नेटवर्क. डीप न्यूरल नेटवर्क्स, कॉन्व्होल्युशनल न्यूरल नेटवर्क्स, रिकरंट न्यूरल नेटवर्क्सचा संक्षिप्त परिचय. (अध्याय - 7) 8. नमुना वर्गीकरणासाठी नॉन-मेट्रिक पद्धती : नॉन-न्यूमेरिक डेटा किंवा नाममात्र डेटा. निर्णय वृक्ष : वर्गीकरण आणि प्रतिगमन वृक्ष (कार्ट). (अध्याय - 8)