GATE Data Science & Artificial Intelligence Syllabus 2027 PDF Download
The GATE Data Science & Artificial Intelligence Syllabus 2027 has been released by the organizing IIT for candidates appearing in the GATE 2027 examination.
The syllabus includes important topics from Probability and Statistics, Linear Algebra, Calculus and Optimization, Programming, Data Structures and Algorithms, Database Management and Warehousing, Machine Learning, and AI. Candidates should study the subject-wise topics to prepare for the examination. The complete syllabus is available in PDF format for download.
GATE Data Science & Artificial Intelligence Syllabus 2027 Overview
| Subject | Details |
|---|---|
| Exam Name | GATE 2027 (Graduate Aptitude Test in Engineering) |
| Conducting Body | Indian Institute of Technology |
| Paper Name | Data Science & Artificial Intelligence |
| Paper Code | DA |
| Total Questions | 65 |
| Topics Covered | Probability and Statistics, Linear Algebra, Calculus and Optimization, Programming, Data Structures and Algorithms, Database Management and Warehousing, Machine Learning, AI |
| Total Marks | 100 |
| Syllabus Status | Released |
| Download Link | Click Here |
| Official Website | Click Here |
GATE Data Science & Artificial Intelligence Syllabus 2027 PDF Download – Direct Link
Candidates can download the GATE Data Science & Artificial Intelligence syllabus PDF from the direct link given below.
GATE Data Science & Artificial Intelligence Syllabus 2027 – Topic Wise
The GATE Data Science & Artificial Intelligence syllabus covers various sections related to probability and statistics, linear algebra, calculus, programming, data structures, databases, machine learning, and artificial intelligence. Candidates can check the subject-wise topics below.
Section 1: Probability and Statistics (प्रायिकता और सांख्यिकी)
Counting (permutation and combinations) (गणना (क्रमचय और संचय)), probability axioms (प्रायिकता अभिगृहीत), Sample space (प्रतिचयन समष्टि), events (घटनाएँ), independent events (स्वतंत्र घटनाएँ), mutually exclusive events (परस्पर अपवर्जी घटनाएँ), marginal, conditional and joint probability (सीमांत, सप्रतिबंध और युग्म प्रायिकता), Bayes Theorem (बेज़ प्रमेय), conditional expectation and variance (सप्रतिबंध प्रत्याशा और प्रसरण), mean, median, mode and standard deviation (माध्य, माध्यिका, बहुलक और मानक विचलन), correlation, and covariance (सहसंबंध और सहप्रसरण), random variables (यादृच्छिक चर), discrete random variables and probability mass functions (विविक्त यादृच्छिक चर और प्रायिकता द्रव्यमान फलन), uniform, Bernoulli, binomial distribution (एकसमान, बर्नौली, द्विपद बंटन), Continuous random variables and probability distribution function (सतत यादृच्छिक चर और प्रायिकता बंटन फलन), uniform, exponential, Poisson, normal, standard normal, t-distribution, chi-squared distributions (एकसमान, चरघातांकी, प्वासों, प्रसामान्य, मानक प्रसामान्य, t-बंटन, काई-वर्ग बंटन), cumulative distribution function (संचयी बंटन फलन), Conditional PDF (सप्रतिबंध प्रायिकता घनत्व फलन), Central limit theorem (केंद्रीय सीमा प्रमेय), confidence interval (विश्वास अंतराल), z-test (z-परीक्षण), t-test (t-परीक्षण), chi-squared test (काई-वर्ग परीक्षण).
Section 2: Linear Algebra (रैखिक बीजगणित)
Vector space, subspaces (सदिश समष्टि, उपसमष्टियाँ), linear dependence and independence of vectors (सदिशों की रैखिक आश्रितता और स्वतंत्रता), matrices (आव्यूह), projection matrix (प्रक्षेप आव्यूह), orthogonal matrix (लंबकोणीय आव्यूह), idempotent matrix (वर्गसम आव्यूह), partition matrix and their properties (विभाजन आव्यूह और उनके गुण), quadratic forms (द्विघात रूप), systems of linear equations and solutions (रैखिक समीकरणों की प्रणाली और हल); Gaussian elimination (गाउसीय विलोपन), eigenvalues and eigenvectors (आइगेन मान और आइगेन सदिश), determinant (सारणिक), rank (कोटि), nullity (शून्यता), projections (प्रक्षेप), LU decomposition (LU विघटन), singular value decomposition (एकवचन मान विघटन).
Section 3: Calculus and Optimization (कलन और अनुकूलन)
Functions of a single variable (एक चर के फलन), limit, continuity and differentiability (सीमा, सांतत्य और अवकलनीयता), Taylor series (टेलर श्रेणी), maxima and minima (उच्चिष्ठ और निम्निष्ठ), optimization involving a single variable (एक चर से जुड़ा अनुकूलन).
Section 4: Programming, Data Structures and Algorithms (प्रोग्रामिंग, डेटा संरचनाएँ और एल्गोरिदम)
Programming in Python (पायथन में प्रोग्रामिंग), basic data structures: stacks, queues, linked lists, trees, hash tables (मूल डेटा संरचनाएँ: स्टैक, क्यू, लिंक्ड लिस्ट, ट्री, हैश टेबल); Search algorithms: linear search and binary search (खोज एल्गोरिदम: रैखिक खोज और द्विआधारी खोज), basic sorting algorithms: selection sort, bubble sort and insertion sort (मूल क्रमबद्धन एल्गोरिदम: चयन क्रमबद्धन, बुलबुला क्रमबद्धन और अंतर्वेशन क्रमबद्धन); divide and conquer: mergesort, quicksort (विभाजन और विजय: मर्जसॉर्ट, क्विकसॉर्ट); introduction to graph theory (ग्राफ सिद्धांत का परिचय); basic graph algorithms: traversals and shortest path (मूल ग्राफ एल्गोरिदम: ट्रैवर्सल और लघुतम पथ).
Section 5: Database Management and Warehousing (डेटाबेस प्रबंधन और वेयरहाउसिंग)
ER-model (ईआर-मॉडल), relational model: relational algebra, tuple calculus, SQL (संबंधपरक मॉडल: संबंधपरक बीजगणित, टपल कलन, SQL), integrity constraints (समाकलता बाध्यताएँ), normal form (सामान्य रूप), file organization, indexing (फ़ाइल संगठन, अनुक्रमण), data types (डेटा प्रकार), data transformation such as normalization, discretization, sampling, compression (डेटा रूपांतरण जैसे सामान्यीकरण, विच्छेदीकरण, प्रतिचयन, संपीड़न); data warehouse modelling: schema for multidimensional data models, concept hierarchies, measures: categorization and computations (डेटा वेयरहाउस मॉडलिंग: बहुविमीय डेटा मॉडल के लिए स्कीमा, अवधारणा पदानुक्रम, माप: वर्गीकरण और गणनाएँ).
Section 6: Machine Learning (मशीन लर्निंग)
(i) Supervised Learning (पर्यवेक्षित लर्निंग): regression and classification problems (प्रतिगमन और वर्गीकरण समस्याएँ), simple linear regression (सरल रैखिक प्रतिगमन), multiple linear regression (बहु रैखिक प्रतिगमन), ridge regression (रिज प्रतिगमन), logistic regression (लॉजिस्टिक प्रतिगमन), k-nearest neighbour (के-निकटतम पड़ोसी), naive Bayes classifier (नेव बेज़ वर्गीकारक), linear discriminant analysis (रैखिक विवेचक विश्लेषण), support vector machine (समर्थन सदिश मशीन), decision trees (निर्णय वृक्ष), bias-variance trade-off (पक्षपात-प्रसरण व्यापार-बंद), cross-validation methods such as leave-one-out (LOO) cross-validation, k-folds cross-validation (क्रॉस-सत्यापन विधियाँ जैसे लीव-वन-आउट (LOO) क्रॉस-सत्यापन, के-फोल्ड क्रॉस-सत्यापन), multi-layer perceptron, feed-forward neural network (बहु-स्तर पर्सेप्ट्रॉन, फीड-फॉरवर्ड तंत्रिका नेटवर्क).
(ii) Unsupervised Learning (अपर्यवेक्षित लर्निंग): clustering algorithms (क्लस्टरीकरण एल्गोरिदम), k-means/k-medoid (के-मीन्स/के-मेडॉयड), hierarchical clustering (पदानुक्रमिक क्लस्टरीकरण), top-down, bottom-up: single-linkage, multiple-linkage (टॉप-डाउन, बॉटम-अप: सिंगल-लिंकेज, मल्टीपल-लिंकेज), dimensionality reduction, principal component analysis (विमीयता न्यूनीकरण, प्रमुख घटक विश्लेषण).
Section 7: AI (कृत्रिम बुद्धिमत्ता)
Search (खोज): informed, uninformed, adversarial (सूचित, असूचित, विरोधात्मक); logic, propositional, predicate (तर्क, प्रस्तावात्मक, विधेयात्मक); reasoning under uncertainty topics — conditional independence representation, exact inference through variable elimination, and approximate inference through sampling (अनिश्चितता के अंतर्गत तर्क विषय — सप्रतिबंध स्वतंत्रता निरूपण, चर विलोपन के माध्यम से यथार्थ अनुमान, और प्रतिचयन के माध्यम से सन्निकट अनुमान).