GATE DA - Complete Guide: Syllabus, Eligibility, Exam Pattern, Cutoff & Preparation

GATE DA, the Graduate Aptitude Test in Engineering paper on Data Science and Artificial Intelligence, is one of the newest and fastest-growing papers in the GATE ecosystem. Introduced in 2023, GATE DA was created in direct response to the explosive growth of data science, machine learning, and AI as career domains. Within just its first few years, it has attracted tens of thousands of candidates from backgrounds ranging from Statistics and Mathematics to Computer Science and Engineering.

This comprehensive guide covers everything about GATE DA — what the paper tests, who is eligible, how the exam is structured, what the syllabus covers, what cutoffs look like, how to prepare, and where to find the best resources. Whether starting preparation from scratch or looking for a structured overview before diving into subject-specific pages, this is the right starting point.

Quick Navigation: Exam Info | Syllabus | Eligibility | Application | Cutoff | Test Series | PYQ | Exam Analysis | Exam Day | FAQ | Result

What is GATE DA?

GATE DA stands for the GATE paper in Data Science and Artificial Intelligence (paper code: DA). It was introduced in the GATE 2023 examination cycle, making it one of the youngest GATE papers available. The introduction of this paper was driven by the growing demand for professionals with formal, verified competency in data science, machine learning, statistics, and AI from PSUs, research institutes, and academic programs.

GATE DA tests a blend of foundational subjects from Mathematics and Statistics, core programming and algorithmic thinking, and specialized topics in Machine Learning, Artificial Intelligence, and Data Analysis. This interdisciplinary syllabus reflects the actual skill set required in the industry and research world for data science roles.

The exam is conducted by the organizing IIT or IISc as part of the broader GATE examination each February. The GATE DA score is valid for 3 years and can be used for:

• M.Tech / M.S. admissions at IITs, NITs, IIITs, and central universities offering programs in Data Science, AI, ML, or related areas
• PhD admissions at research institutes
• PSU recruitment for data science and analytics roles
• Research fellowship eligibility

For a full breakdown of exam dates and paper-level details, visit the GATE DA Exam Info page.

GATE DA Exam Highlights

Why GATE DA is Different from Other GATE Papers

GATE DA occupies a unique space in the GATE landscape. Unlike GATE CS, which is a pure computer science paper, or GATE MA (Mathematics), which is purely mathematical, GATE DA deliberately bridges multiple disciplines.

Interdisciplinary nature: A candidate strong in linear algebra and probability but weak in programming, or strong in Python and ML but weak in statistics, will struggle. GATE DA rewards candidates with genuinely well-rounded preparation across all its sections.

Industry-aligned topics: Topics like Machine Learning algorithms, Neural Networks, Feature Engineering, and Model Evaluation directly mirror what data scientists use in practice. This makes the paper relevant not just for academic admissions but also as a genuine competency validator.

Newer paper, fewer resources: Because GATE DA was introduced in 2023, there are fewer years of PYQs available compared to GATE CS, which has papers going back to the 1990s. The GATE DA PYQ section on AspirantMitraa has all available year-wise papers from 2024, 2025, and 2026, which are the most important preparation references.

Growing competition: With each passing year, more candidates are switching from GATE CS to GATE DA or appearing for both. The number of DA applicants is growing faster than most other GATE papers, which makes early, thorough preparation increasingly important.

GATE DA Eligibility Criteria

GATE DA is open to candidates who have completed or are in the final year of a qualifying degree in a relevant field. The basic eligibility requirements mirror those of other GATE papers.

Qualifying Degree:

• B.E. / B.Tech / B.Sc. Engg. or equivalent
• B.S. / B.Sc. (Research) — 4-year programs
• M.Sc. / M.A. / MCA or equivalent in relevant disciplines (Mathematics, Statistics, Computer Science, Computer Applications, Physics, Operations Research)
• Integrated M.E. / M.Tech programs
• 5-year integrated B.Tech + M.Tech programs

Other Conditions:

• Final year students of qualifying programs are eligible
• No upper age limit
• No restriction on number of attempts
• International candidates from select countries (Bangladesh, Nepal, Sri Lanka, Singapore, Ethiopia, UAE) are eligible

A common question is whether Statistics or Mathematics graduates are eligible. The answer is yes. Given that GATE DA's syllabus heavily covers Statistics and Mathematics topics, graduates from pure science streams with M.Sc. Mathematics or M.Sc. Statistics backgrounds are fully eligible and often well-positioned for the paper.

Full eligibility details including qualifying degree categories and document requirements are on the GATE DA Eligibility Criteria page.

GATE DA Syllabus Overview

The GATE DA syllabus is organized into seven major sections. Understanding the structure before beginning preparation makes the entire process more systematic.

Section 1: General Aptitude (15 Marks)

Common across all GATE papers. Covers Verbal Ability (grammar, reading comprehension, critical reasoning) and Numerical Ability (arithmetic, data interpretation, logical reasoning). With focused preparation, scoring 12 to 14 out of 15 in GA is achievable and significantly impacts the overall score.

Section 2: Probability and Statistics (Approx. 12 to 16 Marks)

This is one of the highest-weightage sections in GATE DA and arguably the most distinguishing feature of the paper. Topics include:

• Counting principles, sample spaces, probability axioms
• Conditional probability, Bayes theorem, independence
• Random variables (discrete and continuous)
• Probability distributions: Bernoulli, Binomial, Poisson, Normal, Exponential, Uniform
• Expectation, variance, covariance, correlation
• Central Limit Theorem
• Descriptive statistics: measures of central tendency and dispersion
• Hypothesis testing: z-test, t-test, chi-square test
• Confidence intervals
• Regression analysis: simple and multiple linear regression

Section 3: Linear Algebra (Approx. 8 to 12 Marks)

• Vectors and vector spaces
• Matrices: types, operations, rank, determinants
• Systems of linear equations
• Eigenvalues and eigenvectors
• Matrix factorizations (LU, QR conceptually)
• Applications in ML: covariance matrices, PCA foundations

Section 4: Calculus and Optimization (Approx. 8 to 10 Marks)

• Single-variable calculus: limits, derivatives, integrals
• Multivariable calculus: partial derivatives, gradient
• Optimization: maxima, minima, constrained optimization (Lagrange multipliers)
• Gradient descent and variants (basic concepts)
• Convexity and convex functions

Section 5: Programming, Data Structures and Algorithms (Approx. 10 to 14 Marks)

• Programming in Python (primary) and C
• Data structures: arrays, stacks, queues, linked lists, trees, graphs, hash tables
• Algorithm analysis: time and space complexity
• Sorting and searching algorithms
• Graph algorithms: BFS, DFS, shortest paths
• Recursion and dynamic programming basics

Section 6: Database Management and Warehousing (Approx. 5 to 8 Marks)

• ER model and relational model
• SQL: DDL, DML, joins, subqueries, aggregation
• Normalization
• Data warehousing concepts: OLAP, data marts, star and snowflake schemas
• ETL (Extract, Transform, Load) basics

Section 7: Machine Learning (Approx. 12 to 18 Marks)

This is the most modern and highest-curiosity section of GATE DA. Topics include:

• Supervised learning: Linear Regression, Logistic Regression, Decision Trees, Random Forests, SVM, KNN, Naive Bayes
• Unsupervised learning: K-means clustering, Hierarchical clustering, PCA, Autoencoders
• Model evaluation: Cross-validation, Bias-variance tradeoff, Overfitting and Underfitting, ROC curve, AUC, Precision, Recall, F1 score
• Neural Networks: Perceptron, Multi-layer Perceptron, Backpropagation, Activation functions
• Deep Learning basics: CNNs, RNNs (conceptual understanding)
• Regularization: L1, L2 (Lasso, Ridge), Dropout

Section 8: AI (Approx. 5 to 8 Marks)

• Search algorithms: BFS, DFS, A*, Best First Search
• Knowledge representation
• Propositional and first-order logic
• Bayesian networks
• Planning and uncertainty

For a complete topic-by-topic breakdown with preparation priority guidance and recommended books, visit the GATE DA Syllabus page. Track completion of every topic using the GATE DA Syllabus Tracker on AspirantMitraa.

GATE DA Exam Pattern in Detail

Question Type Distribution

Section Distribution

Within the core 55 questions, the marks split is typically 25 questions of 1 mark each (25 marks) and 30 questions of 2 marks each (60 marks).

GATE DA Application Process

The GATE DA application follows the same process as all other GATE papers. Applications are submitted online through the GOAPS (GATE Online Application Processing System) portal, which opens every September.

Application Fee:

• General / OBC-NCL / EWS: Rs. 1,800
• SC / ST / PwD / Female candidates: Rs. 900

Key steps: GOAPS registration, form filling, document upload (photograph, signature, eligibility proof), fee payment, submission, and admit card download in January.

The GATE DA Application Process page provides a complete step-by-step guide including document checklist, common mistakes to avoid, and correction window information.

GATE DA Cutoff Analysis

Because GATE DA is a relatively new paper, the cutoff history is limited to the most recent exam cycles. However, the available data shows consistent patterns.

GATE DA Qualifying Cutoff (Approximate)

The qualifying cutoff for GATE DA has been in a similar range to GATE CS given the comparable difficulty level and candidate quality. However, as the paper matures and more candidates appear, trends may stabilize differently.

Institute Admission Cutoffs (GATE Score out of 1000)

IITs with dedicated Data Science, AI, or ML M.Tech programs are the primary admission targets for GATE DA qualifiers. Programs at IIT Bombay (M.Tech in Data Science), IIT Delhi (M.Tech in CS with AI specialization), IIT Hyderabad (M.Tech in AI), IIT Jodhpur, and others use GATE DA scores.

For year-wise cutoff data and PSU cutoff analysis, visit the GATE DA Cutoff page.

GATE DA Preparation Strategy

A well-planned preparation approach is critical given the breadth of GATE DA's interdisciplinary syllabus.

Step 1: Build a Strong Foundation in Mathematics and Statistics

Probability and Statistics is the backbone of GATE DA. It appears in its own section, feeds directly into Machine Learning theory, and influences how data analysis questions are framed. Spend proportionally more time here than on any other single section.

Linear Algebra is equally critical. Eigenvalues, matrix operations, and vector spaces are not just tested directly but are fundamental to understanding PCA, neural network weight matrices, and other ML concepts. A weak linear algebra foundation creates cascading gaps across the paper.

Step 2: Cover Programming and Data Structures Systematically

Unlike GATE CS where programming is central to every section, in GATE DA it is one of several sections. However, it is still worth 10 to 14 marks and must not be underestimated. Focus on Python fundamentals, array and tree operations, basic algorithms, and complexity analysis.

Use the GATE DA Syllabus Tracker to mark topics in this section as completed and ensure no subtopic is accidentally skipped.

Step 3: Master Machine Learning Concepts

Machine Learning carries the highest single-section weightage in GATE DA core and is also what most candidates find most interesting. However, GATE ML questions test theoretical understanding, mathematical justification, and algorithm mechanics rather than just the ability to call scikit-learn functions.

Key areas to cover deeply:

• Derivation of Linear and Logistic Regression from first principles
• Mathematical basis of SVM (margin maximization, kernel trick conceptually)
• Decision Tree splitting criteria (Gini, Entropy, Information Gain)
• Backpropagation mathematics in Neural Networks
• Formal bias-variance decomposition
• Cross-validation and model selection theory

Step 4: Use Previous Year Questions Strategically

With only a few years of PYQ available for GATE DA, every question is more valuable than in a paper with decades of history. Go through all available papers multiple times:

• GATE DA 2026 Questions
• GATE DA 2025 Questions
• GATE DA 2024 Questions

Also access the complete topic-wise PYQ bank at GATE DA PYQ for a searchable, subject-filtered view.

Step 5: Take Structured Mock Tests

Regular mock testing under exam conditions is essential. The GATE DA Test Series on AspirantMitraa offers topic-wise tests for each section of the GATE DA syllabus plus full-length mock exams calibrated to actual GATE DA difficulty. Detailed performance analytics after each test help identify which sections need more work and whether improvement is happening at the right pace.

GATE DA Previous Year Questions

GATE DA was introduced in 2023, making the PYQ bank smaller compared to established GATE papers. However, the available papers are highly valuable and should be treated as primary reference material.

Year-wise Access

• GATE DA 2026 Questions — Most recent paper; highest relevance for current exam pattern
• GATE DA 2025 Questions — Second year of the paper; pattern stabilized further
• GATE DA 2024 Questions — First full year after introduction; useful for foundational pattern

All year-wise papers plus topic-wise sorted questions are available at the GATE DA PYQ Master Bank on AspirantMitraa.

GATE DA Result and Scorecard

GATE DA results are declared in March each year, typically 4 to 6 weeks after the exam. The result is announced on the official GOAPS portal and contains the candidate's raw marks, GATE Score (normalized out of 1000), All India Rank (AIR), and qualifying status.

The GATE DA scorecard is available for download for 3 years from the result date and is accepted by institutes and PSUs during their respective recruitment and admission cycles.

For detailed information about result interpretation, GATE score calculation, normalization formula, and post-result action steps, visit the GATE DA Result page.

GATE DA vs GATE CS — Which Should You Choose?

This is one of the most common questions among candidates with a Computer Science or IT background. Here is a clear comparison to help decide:

Choose GATE DA if:

• The target program is M.Tech in Data Science, AI, or ML
• Background is strong in Statistics, Mathematics, or has strong ML knowledge
• Career goal is in data science, analytics, or AI research

Choose GATE CS if:

• The target program is M.Tech in CS, Software Engineering, or Systems
• PSU recruitment is a primary goal (more PSUs currently use GATE CS)
• Career goal is in software systems, networking, or core CS research

Appearing for both is also an option that GATE allows (candidates can take two papers if the combination is permitted). This gives flexibility in institute and program selection.

GATE DA Exam Day Guidance

On exam day, all standard GATE rules apply. Candidates must carry a printed admit card and original photo ID. No electronic devices are permitted in the exam hall. An on-screen virtual calculator is available.

A recommended time allocation for GATE DA:

• General Aptitude (10 questions, 15 marks): 20 to 25 minutes
• Probability and Statistics: 35 to 40 minutes
• Linear Algebra: 20 to 25 minutes
• Machine Learning: 35 to 40 minutes
• Programming and DSA: 20 to 25 minutes
• Remaining sections: balance of remaining time

Attempt NAT questions even when not entirely confident, as there is no negative marking. For MCQs, apply option elimination and only skip when no elimination is possible.

Full exam day checklist and last-day preparation tips are on the GATE DA Exam Day Guidance page.

GATE DA Frequently Asked Questions

Q. Is GATE DA harder than GATE CS? Difficulty is subjective and depends on background. For candidates from a Statistics or Mathematics background, GATE DA may actually be more natural than GATE CS. For pure CS candidates with no statistics background, GATE DA can be significantly harder due to the heavy Probability and Statistics section.

Q. Can CS graduates appear for GATE DA? Yes. Any candidate who meets the eligibility criteria can appear for any GATE paper, including GATE DA. CS graduates often find the Programming and ML sections straightforward but need to invest extra time in Probability, Statistics, and Calculus.

Q. Are there enough PSU opportunities through GATE DA? Currently fewer PSUs recruit through GATE DA compared to GATE CS. However, this is expected to grow as the paper matures and more organizations formalize data science hiring. For the latest PSU notifications using GATE DA scores, check the GATE DA Information page.

Q. Which IITs offer M.Tech programs accepting GATE DA? IIT Bombay, IIT Delhi, IIT Hyderabad, IIT Roorkee, IIT Kharagpur, IIT Jodhpur, and several others. The list is growing each year as more programs formalize GATE DA as the accepted paper.

Q. What books should be used for GATE DA preparation? Key references: Pattern Recognition and Machine Learning (Bishop) or Hands-On Machine Learning (Geron) for ML; Introduction to Probability (Bertsekas) for probability; Introduction to Linear Algebra (Strang) for linear algebra; Introduction to Algorithms (CLRS) for DSA.

More questions are answered on the GATE DA FAQ page.

GATE DA Resources on AspirantMitraa

AspirantMitraa provides a comprehensive preparation ecosystem specifically built for GATE DA aspirants:

Syllabus Tracker: The GATE DA Syllabus Tracker allows topic-by-topic completion tracking across all sections. Mark topics as done, monitor overall progress, and identify gaps before they become problems.

Test Series: The GATE DA Test Series includes topic-wise mini tests for every section plus full-length mocks replicating the exact GATE DA exam interface, timing, and difficulty. Detailed analytics after each test show subject-wise accuracy, time management data, and rank among all test takers.

PYQ Bank: The GATE DA PYQ Master Bank contains all available GATE DA previous year questions with topic tags, difficulty ratings, and step-by-step solutions. Year-wise papers are accessible at 2026, 2025, and 2024.

Summary

GATE DA is an interdisciplinary national-level examination testing Probability and Statistics, Linear Algebra, Calculus, Programming, Databases, Machine Learning, and AI. It was introduced in 2023 and is conducted annually in February as part of GATE. The exam follows the standard GATE pattern — 65 questions, 100 marks, 3 hours, CBT mode.

Candidates from Engineering, Computer Science, Mathematics, Statistics, and Computer Applications backgrounds are eligible. The qualifying cutoff for General category candidates typically falls between 25 and 32 marks. IIT admissions require GATE Scores of 700 to 860+ depending on the institute and program.

Preparation requires strong foundations in Mathematics and Statistics, systematic coverage of ML concepts, regular PYQ practice from all available years, and consistent mock testing through the GATE DA Test Series. Use the GATE DA Syllabus Tracker to ensure no topic is left behind.

Explore All GATE DA Pages: Exam Info | Syllabus | Test Series | Cutoff | Eligibility | Application | Exam Analysis | PYQ | Information | Exam Day | FAQ | Result