युनिट - I परिचय: नमुना ओळख म्हणजे काय, नमुना ओळखण्यासाठी डेटा सेट, नमुना ओळखण्यासाठी भिन्न प्रतिमान. प्रतिनिधित्व: नमुना प्रतिनिधित्वासाठी डेटा स्ट्रक्चर्स, क्लस्टर्सचे प्रतिनिधित्व, समीपतेचे उपाय, पॅटर्नचा आकार, डेटा सेटचे अॅब्स्ट्रॅक्शन्स, फीचर एक्सट्रॅक्शन, फीचर सिलेक्शन, क्लासिफायरचे मूल्यांकन, क्लस्टरिंगचे मूल्यांकन. (अध्याय - 1) युनिट - II जवळचा शेजारी आधारित वर्गीकरण: जवळचा शेजारी अल्गोरिदम, NN अल्गोरिदमचे रूपे, व्यवहार डेटाबेससाठी जवळच्या शेजारी अल्गोरिदमचा वापर, कार्यक्षम अल्गोरिदम, डेटा कमी करणे, प्रोटोटाइप निवड. बायेस क्लासिफायर: बायेस प्रमेय, किमान एरर रेट क्लासिफायर, संभाव्यतेचा अंदाज, एनएनसीशी तुलना, नेव्ह बायेस क्लासिफायर, बायेसियन बिलीफ नेटवर्क. (अध्याय - 2) युनिट - III छुपे मार्कोव्ह मॉडेल्स: वर्गीकरणासाठी मार्कोव्ह मॉडेल्स, छुपे मार्कोव्ह मॉडेल्स, HMMs वापरून वर्गीकरण. निर्णय वृक्ष: परिचय, नमुना वर्गीकरणासाठी निर्णय वृक्ष, निर्णय वृक्षांचे बांधकाम, नोड्सवर विभाजन, ओव्हरफिटिंग आणि छाटणी, निर्णय वृक्ष इंडक्शनची उदाहरणे. (अध्याय - 3) युनिट -IV सपोर्ट वेक्टर मशीन्स: परिचय, रेखीय भेदभाव कार्ये शिकणे, न्यूरल नेटवर्क्स, वर्गीकरणासाठी एसव्हीएम, वर्गीकरणाचे संयोजन: परिचय, क्लासिफायर्सचे एन्सेम्बल तयार करण्याच्या पद्धती, क्लासिफायर्स एकत्र करण्याच्या पद्धती. (अध्याय - 4) युनिट -V क्लस्टरिंग: क्लस्टरिंग महत्वाचे का आहे, श्रेणीबद्ध अल्गोरिदम, विभाजनीय क्लस्टरिंग, मोठ्या डेटा सेटचे क्लस्टरिंग. ऍप्लिकेशन-हस्ते लिहिलेले अंक ओळख: अंक डेटाचे वर्णन, डेटाची पूर्वप्रक्रिया, वर्गीकरण अल्गोरिदम, प्रतिनिधी नमुन्यांची निवड, परिणाम. (अध्याय - 5)