Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है
समस्या निर्धारण (Problem Scoping) में समस्या, लक्ष्य और संबंधित लोगों की पहचान की जाती है। इसके बाद आवश्यक जानकारी या आंकड़े एकत्र करने का चरण, यानी आंकड़ा अधिग्रहण (Data Acquisition), आता है। अंतिम परिनियोजन बाद के चरणों में होता है, जबकि परिणाम छिपाना और संचिकाएँ हटाना परियोजना चक्र के मान्य चरण नहीं हैं। परीक्षा में परियोजना चक्र का क्रम याद रखें: समस्या निर्धारण → आंकड़ा अधिग्रहण → आंकड़ा अन्वेषण → मॉडलिंग → मूल्यांकन। / Problem scoping identifies the problem, goal, and stakeholders. The next stage is data acquisition, in which the information or data needed for the project is collected. Final deployment occurs later, while hiding results and deleting files are not recognised stages of the AI project cycle. Exam tip: remember the sequence as problem scoping → data acquisition → data exploration → modelling → evaluation.
A. परियोजना की दिशा अस्पष्ट हो सकती है/The project direction may become unclear
Explanation
Simple Explanation
समस्या निर्धारण में स्पष्ट उद्देश्य यह तय करने में सहायता करता है कि कौन-सी समस्या हल करनी है, कौन-से आंकड़े जुटाने हैं और सफलता को कैसे मापा जाएगा। उद्देश्य अस्पष्ट होने पर परियोजना की दिशा और कार्य-योजना भ्रमित हो सकती है। विकल्प B गलत है, क्योंकि अस्पष्ट लक्ष्य से प्रतिरूप अपने आप सही नहीं बनता। परीक्षा-युक्ति: समस्या निर्धारण में लक्ष्य, हितधारक और सफलता के मापदंड स्पष्ट करें। / In problem scoping, a clear goal helps determine which problem to solve, what data to collect, and how success will be measured. If the goal is unclear, the project direction and plan may become confused. Option B is incorrect because an unclear goal cannot make a model correct automatically. Exam tip: Clearly identify the goal, stakeholders, and success criteria during problem scoping.
A. वास्तविक जरूरतों और समस्या को समझना/Understanding real needs and the problem
Explanation
Simple Explanation
हितधारक वे लोग होते हैं जो समस्या, उपयोग या समाधान से जुड़े होते हैं। उनसे बातचीत करने पर उनकी वास्तविक जरूरतें, अपेक्षाएँ और समस्या का संदर्भ समझ में आता है, जिससे AI समाधान अधिक उपयोगी और उपयुक्त बनाया जा सकता है। इसलिए विकल्प A सही है; बाकी विकल्प हितधारकों से प्राप्त जानकारी का गलत या अनैतिक उपयोग दर्शाते हैं। परीक्षा-टिप: AI Project Cycle में समस्या-निर्धारण के समय हितधारकों की जानकारी को प्राथमिक स्रोत मानें। / Stakeholders are people connected with the problem, its use, or the proposed solution. Interacting with them reveals their actual needs, expectations, and context, helping the team design a more useful and suitable AI solution. Therefore, option A is correct; the other options describe ignoring information or using it incorrectly and unethically. Exam tip: During problem scoping in the AI Project Cycle, treat stakeholder input as an important primary source.
A. समाधान लक्ष्य पूरा कर रहा है या नहीं/Whether the solution is meeting the goal
Explanation
Simple Explanation
सफलता संकेतक यह जाँचने के लिए निर्धारित मापदंड होते हैं कि परियोजना का समाधान अपने लक्ष्य और अपेक्षित परिणामों को पूरा कर रहा है या नहीं। फाइल का आकार तकनीकी विशेषता हो सकता है, लेकिन वह अपने-आप में परियोजना की सफलता नहीं बताता। परीक्षा में सफलता संकेतक को लक्ष्य-आधारित मूल्यांकन से जोड़कर याद रखें। / Success indicators are defined measures used to check whether a project’s solution is achieving its goal and expected outcomes. File size may be a technical characteristic, but it does not by itself show project success. In exams, associate success indicators with goal-based evaluation.
A. लोगों की अनुमति लेकर जानकारी लेना/Collecting information with people's consent
Explanation
Simple Explanation
लोगों की स्पष्ट अनुमति लेकर जानकारी एकत्र करना नैतिक आंकड़ा अधिग्रहण का मूल उदाहरण है, क्योंकि इससे व्यक्ति को पता रहता है कि उसकी जानकारी ली जा रही है। विकल्प B में गोपनीयता का उल्लंघन होता है, जबकि C में स्रोत की पारदर्शिता नहीं रहती और D में जानबूझकर गलत आंकड़े जोड़े जाते हैं। परीक्षा में याद रखें: आंकड़े एकत्र करते समय सहमति, गोपनीयता और पारदर्शिता महत्वपूर्ण नैतिक सिद्धांत हैं। / Collecting information with people’s informed consent is a basic example of ethical data acquisition because individuals know that their data is being collected. Option B violates privacy, option C lacks transparency about the data source, and option D introduces deliberately false data. Exam tip: remember consent, privacy, and transparency as key ethical principles when acquiring data.
A. स्रोत प्रसिद्ध, प्रमाणित और अद्यतन हो/The source is known, verified, and up to date
Explanation
Simple Explanation
विश्वसनीय स्रोत सामान्यतः किसी पहचाने गए लेखक या संस्था से जुड़ा होता है, प्रमाणित जानकारी देता है और समय-समय पर अद्यतन किया जाता है। इसलिए प्रसिद्ध, प्रमाणित और अद्यतन स्रोत सबसे उपयुक्त विकल्प है। बिना लेखक या तारीख वाले स्रोत तथा अफवाह-आधारित दावे विश्वसनीयता की जाँच में कमजोर संकेत हैं। परीक्षा-टिप: स्रोत की प्रामाणिकता, अद्यतनता और संदर्भ अवश्य जाँचें। / A reliable source is usually associated with an identifiable author or organization, provides verified information, and is updated when needed. Therefore, a known, verified, and up-to-date source is the best choice. A source without author or date details, or one based on rumors, provides weak evidence of reliability. Exam tip: Check the source’s authority, currency, and supporting references.
A. प्रतिरूप बड़े समूह की ओर झुक सकता है/The model may lean toward the larger group
Explanation
Simple Explanation
असंतुलित आंकड़ों में एक वर्ग के उदाहरण दूसरे वर्गों की तुलना में बहुत अधिक होते हैं। इससे प्रतिरूप बड़े वर्ग के पैटर्न को अधिक सीख सकता है और छोटे वर्ग की सही पहचान कम कर सकता है। इसलिए केवल कुल सटीकता पर निर्भर न रहकर प्रत्येक वर्ग के प्रदर्शन की जाँच करनी चाहिए। / In imbalanced data, examples from one class greatly outnumber those from other classes. As a result, the model may learn the larger class more strongly and identify the smaller class less accurately. Therefore, performance should be checked for each class rather than relying only on overall accuracy.
A. क्योंकि वे विश्लेषण और मॉडल के प्रशिक्षण को प्रभावित कर सकते हैं/Because they can affect analysis and model training
Explanation
Simple Explanation
अधूरे मानों में आवश्यक जानकारी गायब होती है, इसलिए वे विश्लेषण के परिणामों और मशीन लर्निंग मॉडल के प्रशिक्षण को प्रभावित कर सकते हैं। उन्हें हटाना, उपयुक्त मान से भरना या अलग तरीके से चिह्नित करना डेटा और स्थिति पर निर्भर करता है। विकल्प B गलत है, क्योंकि अधूरा मान अपने-आप सटीक नहीं होता। परीक्षा टिप: डेटा सफाई का उद्देश्य डेटा की गुणवत्ता और विश्वसनीयता सुधारना है। / Missing values represent absent information, so they can distort analysis and affect the training of a machine-learning model. Depending on the dataset and context, they may be removed, replaced with suitable values, or marked for separate handling. Option B is incorrect because a missing value is not automatically accurate. Exam tip: Data cleaning aims to improve data quality and reliability.
A. आंकड़ों को विश्लेषण या मॉडल के लिए उपयुक्त रूप में बदलने के लिए/To convert data into a suitable form for analysis or modeling
Explanation
Simple Explanation
आंकड़ा रूपांतरण में कच्चे आंकड़ों को ऐसे रूप में बदला जाता है जिसे विश्लेषण या मशीन लर्निंग मॉडल आसानी से उपयोग कर सके, जैसे मापनीकरण, एन्कोडिंग या प्रारूप बदलना। इसलिए विकल्प A सही है। विकल्प B में आंकड़े हटाए जाते हैं, जबकि रूपांतरण का उद्देश्य उपयोगिता बढ़ाना होता है। परीक्षा टिप: रूपांतरण को डेटा प्रीप्रोसेसिंग की उस प्रक्रिया के रूप में याद रखें जो मॉडल के लिए आंकड़ों को तैयार करती है। / Data transformation changes raw data into a form that can be used effectively for analysis or by a machine learning model, such as through scaling, encoding, or format conversion. Therefore, option A is correct. Option B describes deleting data, whereas transformation aims to make data more useful. Exam tip: Remember transformation as a data-preprocessing step that prepares data for a model.
A. महत्वपूर्ण विशेषताओं को चुनकर मॉडल को अधिक प्रभावी बनाना/To make the model more effective by selecting important features
Explanation
Simple Explanation
विशेषता चयन में डेटा की सभी विशेषताओं में से वे महत्वपूर्ण विशेषताएँ चुनी जाती हैं जो मॉडल के प्रदर्शन में सहायक होती हैं। इससे अनावश्यक या अप्रासंगिक जानकारी कम होती है, मॉडल सरल बनता है और कई बार उसकी सटीकता तथा प्रशिक्षण गति बेहतर होती है। विकल्प B गलत है क्योंकि सभी विशेषताएँ रखना विशेषता चयन का उद्देश्य नहीं है। परीक्षा टिप: feature selection का संबंध उपयोगी विशेषताएँ चुनने और dimensionality कम करने से है। / Feature selection identifies the most relevant attributes from the available data so that the model can learn more effectively. Removing irrelevant or redundant features can simplify the model and may improve its accuracy and training speed. Option B is incorrect because retaining every feature is the opposite of selection. Exam tip: associate feature selection with choosing useful features and reducing dimensionality.
A. क्योंकि अलग-अलग प्रकार के आंकड़ों को अलग-अलग आलेखों में अधिक स्पष्टता से दिखाया जा सकता है/Because different types of data can be represented more clearly using different graphs
Explanation
Simple Explanation
सही आलेख आंकड़ों के पैटर्न और तुलना को स्पष्ट बनाता है। उदाहरण के लिए, श्रेणियों की तुलना के लिए दंड आलेख और समय के साथ परिवर्तन दिखाने के लिए रेखा आलेख उपयोगी होता है। इसलिए हर प्रकार के आंकड़े के लिए उपयुक्त आलेख चुनना सही निष्कर्ष निकालने में मदद करता है; यह कहना गलत है कि सभी आलेख एक ही अर्थ देते हैं। परीक्षा-युक्ति: आलेख चुनते समय देखें कि आंकड़ों में तुलना, समय-क्रम या वितरण में से क्या दिखाना है। / The correct graph makes patterns and comparisons in data easier to understand. For example, a bar chart is useful for comparing categories, while a line graph is suitable for showing change over time. Therefore, selecting a graph suited to the data supports accurate conclusions; it is incorrect that all graphs convey the same meaning. Exam tip: First identify whether the data show comparison, change over time, or distribution, and then choose the graph.
A. मान तेजी से बढ़ रहे हैं/Values are increasing quickly
Explanation
Simple Explanation
तीव्र ऊपर जाती रेखा का अर्थ है कि क्षैतिज अक्ष पर दर्शाए गए क्रम या समय के साथ मान तेज़ी से बढ़ रहे हैं। इसलिए विकल्प A सही है। विकल्प B में मान शून्य होने की बात है, जो ऊपर जाती रेखा से सिद्ध नहीं होती। परीक्षा-टिप: रेखा की दिशा वृद्धि या कमी बताती है, जबकि उसकी ढाल परिवर्तन की गति बताती है। / A steep upward line means that the values are increasing rapidly as the sequence or time shown on the horizontal axis progresses. Therefore, option A is correct. Option B is incorrect because an upward line does not indicate that values are zero. Exam tip: the direction of a line shows increase or decrease, while its steepness indicates the rate of change.
A. दो चरों के बीच संबंध हो सकता है/There may be a relationship between two variables
Explanation
Simple Explanation
फैलाव चित्र में यदि बिंदु किसी सीधी दिशा या रेखा के आसपास व्यवस्थित हों, तो यह दो चरों के बीच संबंध, विशेषकर सहसंबंध, का संकेत दे सकता है। इसलिए विकल्प A सही है। विकल्प B गलत है, क्योंकि बिंदुओं की दिशा संबंध बताती है, न कि आंकड़ों में भिन्नता का पूर्ण अभाव। परीक्षा-टिप: बिंदु ऊपर की ओर बढ़ें तो धनात्मक और नीचे की ओर बढ़ें तो ऋणात्मक सहसंबंध का संकेत हो सकता है। / When points in a scatter plot follow a straight direction or cluster around a line, they may indicate a relationship, particularly correlation, between two variables. Therefore, option A is correct. Option B is incorrect because a visible pattern does not mean that the data have no variation. Exam tip: an upward trend may indicate positive correlation, while a downward trend may indicate negative correlation.
वर्गीकरण प्रतिरूप इनपुट को पहले से निर्धारित श्रेणियों या वर्गों में बाँटता है। “रोगी या रोगी नहीं” दो वर्गों वाला परिणाम है, इसलिए यह द्विआधारी वर्गीकरण का उपयुक्त उदाहरण है। घर की कीमत, तापमान और विक्रय राशि संख्यात्मक सतत मान हैं, जिनका अनुमान सामान्यतः प्रतिगमन में लगाया जाता है। परीक्षा टिप: श्रेणीगत परिणाम वर्गीकरण और संख्यात्मक मान का अनुमान प्रतिगमन से संबंधित होता है। / A classification model assigns an input to one of the predefined categories or classes. “Sick or not sick” has two possible classes, so it is a suitable example of binary classification. House price, temperature, and sales amount are continuous numerical values, which are generally predicted using regression. Exam tip: Remember classification for categories and regression for numerical values.
A. मकान की कीमत का अनुमान/Estimated price of a house
Explanation
Simple Explanation
प्रतिगमन मॉडल किसी निरंतर संख्यात्मक मान का अनुमान लगाता है। मकान की कीमत रुपये में एक संख्यात्मक मान होती है, इसलिए यह सही परिणाम है। अन्य विकल्प श्रेणियाँ या लेबल हैं, इसलिए वे वर्गीकरण से संबंधित हैं। परीक्षा-युक्ति: संख्यात्मक या निरंतर परिणाम के लिए प्रतिगमन और श्रेणी/लेबल वाले परिणाम के लिए वर्गीकरण चुनें। / A regression model predicts a continuous numerical value. The estimated price of a house is expressed as a numerical amount, so it is the correct output. The other options are categories or labels and therefore represent classification tasks. Exam tip: choose regression for numerical or continuous outcomes and classification for category-based outcomes.
A. सुव्यवस्थित अधिगम में इनपुट के साथ सही आउटपुट भी दिए जाते हैं/Supervised learning provides the correct output along with each input
Explanation
Simple Explanation
सुव्यवस्थित अधिगम में मॉडल को इनपुट डेटा के साथ उसके सही आउटपुट या लेबल भी दिए जाते हैं, इसलिए वह इनपुट और आउटपुट के बीच संबंध सीखता है। इसके विपरीत, अव्यवस्थित अधिगम में लेबल पहले से नहीं दिए जाते और मॉडल स्वयं डेटा में समूह या प्रतिरूप खोजता है। इसलिए विकल्प A सही है; विकल्प B अव्यवस्थित अधिगम की विशेषता को गलत बताता है। परीक्षा-युक्ति: supervised learning को labeled data और unsupervised learning को unlabeled data से जोड़कर याद रखें। / In supervised learning, the model receives input data along with the correct outputs or labels and learns the relationship between them. In contrast, unsupervised learning does not provide predefined labels; the model discovers groups or patterns in the data on its own. Therefore, option A is correct, while option B incorrectly assigns labels to unsupervised learning. Exam tip: associate supervised learning with labeled data and unsupervised learning with unlabeled data.
A. जब समान ग्राहकों के समूह खोजने हों/When groups of similar customers must be found
Explanation
Simple Explanation
समूह निर्माण (clustering) समान विशेषताओं वाले डेटा बिंदुओं को बिना पहले से दिए गए वर्ग-लेबल के समूहों में बाँटता है। इसलिए समान ग्राहकों के समूह, जैसे खरीदारी व्यवहार के आधार पर ग्राहक-वर्ग, खोजने के लिए यह उपयुक्त है। विकल्प B पर्यवेक्षित वर्गीकरण से संबंधित है, क्योंकि उसमें सही वर्ग पहले से ज्ञात होते हैं। परीक्षा-युक्ति: बिना लेबल वाले डेटा में पैटर्न या समूह खोजने की स्थिति में clustering चुनें। / Clustering groups data points with similar characteristics without using predefined class labels. Therefore, it is suitable for discovering groups of similar customers, such as customer segments based on purchasing behaviour. Option B describes supervised classification because the correct classes are already known. Exam tip: Choose clustering when the task is to discover patterns or groups in unlabeled data.
यह स्थिति अधिक सीख जाने (overfitting) का संकेत है। प्रतिरूप प्रशिक्षण आंकड़ों की विशेषताओं, यहाँ तक कि उनके शोर, को भी याद कर लेता है, इसलिए प्रशिक्षण सटीकता बहुत अधिक रहती है लेकिन नए परीक्षण आंकड़ों पर प्रदर्शन घट जाता है। पूर्ण सामान्यीकरण में प्रशिक्षण और परीक्षण प्रदर्शन अपेक्षाकृत समान होते हैं। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण सटीकता के बड़े अंतर को देखते ही overfitting पर विचार करें। / This pattern indicates overfitting. The model learns the training examples, including their noise or accidental patterns, too closely, so its training accuracy is very high while its performance on unseen test data falls. With good generalization, training and test performance are comparatively similar. Exam tip: A large gap between training and test accuracy is a common sign of overfitting.
कम सीखने (Underfitting) में प्रतिरूप प्रशिक्षण आँकड़ों के पैटर्न को भी पर्याप्त रूप से नहीं सीख पाता, इसलिए प्रशिक्षण और परीक्षण दोनों आँकड़ों पर इसका प्रदर्शन कमजोर रहता है। अधिक सीखना (Overfitting) होने पर प्रशिक्षण परिणाम सामान्यतः अच्छा, लेकिन परीक्षण परिणाम कमजोर होता है। परीक्षा-युक्ति: दोनों पर कम प्रदर्शन दिखे तो Underfitting, जबकि केवल परीक्षण पर कम प्रदर्शन दिखे तो Overfitting पर विचार करें। / In underfitting, the model fails to learn the patterns in the training data adequately, so its performance is poor on both the training and testing data. In overfitting, training performance is usually good while testing performance is poor. Exam tip: Poor performance on both datasets suggests underfitting, whereas poor performance mainly on testing data suggests overfitting.
A. सकारात्मक अनुमान सही था/The positive prediction was correct
Explanation
Simple Explanation
सत्य सकारात्मक (True Positive) तब होता है जब मॉडल किसी उदाहरण को सकारात्मक वर्ग के रूप में पहचानता है और वास्तविक वर्ग भी सकारात्मक होता है। इसलिए यह सही सकारात्मक वर्गीकरण को दर्शाता है। विकल्प B गलत सकारात्मक (False Positive) और विकल्प C गलत नकारात्मक (False Negative) से संबंधित है। परीक्षा-युक्ति: TP में अनुमान और वास्तविक परिणाम दोनों सकारात्मक होते हैं। / A true positive occurs when the model predicts the positive class and the actual class is also positive. Therefore, it represents a correctly identified positive case. Option B describes a false positive, while option C describes a false negative. Exam tip: In TP, both the prediction and the actual result are positive.
A. यह तब होता है जब नकारात्मक वास्तविक परिणाम को सकारात्मक बताया जाता है/It occurs when a negative actual result is predicted as positive
Explanation
Simple Explanation
झूठा सकारात्मक (False Positive) वह स्थिति है जिसमें वास्तविक परिणाम नकारात्मक होता है, लेकिन मॉडल उसे सकारात्मक वर्ग में रखता है। इससे गलत चेतावनी या अनावश्यक कार्रवाई हो सकती है। विकल्प B सही सकारात्मक, विकल्प C सही नकारात्मक और विकल्प D झूठा नकारात्मक दर्शाते हैं। परीक्षा-टिप: भ्रम सारणी में False Positive को Actual Negative और Predicted Positive के संयोजन के रूप में याद रखें। / A false positive occurs when the actual result is negative but the model predicts the positive class. It can lead to a false alarm or unnecessary action. Option B represents a true positive, option C a true negative, and option D a false negative. Exam tip: Remember false positive as the combination of Actual Negative and Predicted Positive in a confusion matrix.
A. क्योंकि रोग वाले मामलों को पकड़ना जरूरी होता है/Because identifying diseased cases is important
Explanation
Simple Explanation
पुनःस्मरण (Recall) उन सभी वास्तविक रोगग्रस्त मामलों में से सही ढंग से पहचाने गए मामलों का अनुपात है। स्वास्थ्य जांच में रोगग्रस्त व्यक्ति को स्वस्थ बताकर छोड़ देना, यानी false negative, गंभीर परिणाम दे सकता है। इसलिए अधिक से अधिक रोगग्रस्त मामलों को पकड़ना महत्वपूर्ण होता है और पुनःस्मरण को प्राथमिकता दी जा सकती है। विकल्प B गलत है, क्योंकि गलत चेतावनियों को अनदेखा करना उद्देश्य नहीं होता; उन्हें कम करने के लिए precision भी देखी जाती है। परीक्षा-टिप: जब किसी बीमारी के मामले छूटना महंगा हो, तो recall पर विशेष ध्यान दें। / Recall is the proportion of actual diseased cases that are correctly identified. In medical screening, declaring a diseased person healthy—a false negative—can have serious consequences. Therefore, detecting as many diseased cases as possible may be prioritised, making recall especially important. Option B is incorrect because false alarms should not simply be ignored; precision is also considered to control them. Exam tip: Give special attention to recall when missing a positive case has serious consequences.
A. ताकि सामान्य संदेश गलती से अवांछित न माने जाएं/So normal messages are not wrongly marked as spam
Explanation
Simple Explanation
परिशुद्धता यह बताती है कि मॉडल द्वारा अवांछित बताए गए संदेशों में वास्तव में कितने अवांछित हैं। अधिक परिशुद्धता का अर्थ है कम गलत-सकारात्मक परिणाम, इसलिए सामान्य संदेशों के गलती से स्पैम फ़ोल्डर में जाने की संभावना घटती है। विकल्प B, C और D परिशुद्धता के उद्देश्य नहीं हैं। परीक्षा टिप: परिशुद्धता का संबंध predicted positive मामलों की शुद्धता से होता है। / Precision measures how many messages predicted as spam are actually spam. High precision means fewer false positives, reducing the chance that legitimate messages are incorrectly moved to the spam folder. Options B, C, and D are not purposes of precision. Exam tip: precision focuses on the correctness of predicted positive cases.
एक विद्यालय ऐप पर छात्र लिखता है, “यह ऐप बहुत उपयोगी है और इससे पढ़ाई आसान हो गई है।” इस वाक्य की भावना पहचानने पर NLP प्रणाली इसे किस श्रेणी में रखेगी?
“बहुत उपयोगी” और “पढ़ाई आसान” प्रशंसा दर्शाने वाले शब्द हैं, इसलिए भावना सकारात्मक है। नकारात्मक भावना में शिकायत होती है। परीक्षा टिप: राय बताने वाले विशेषणों पर ध्यान दें। / The phrases “very useful” and “made studying easier” express praise, so the sentiment is positive. Negative sentiment would contain criticism. Exam tip: look for opinion-bearing words.
A. समीक्षा सकारात्मक, नकारात्मक या तटस्थ है, यह पहचानने में/To identify whether a review is positive, negative, or neutral
Explanation
Simple Explanation
भाव विश्लेषण प्राकृतिक भाषा प्रसंस्करण की तकनीक है, जो किसी पाठ में व्यक्त राय या भाव का विश्लेषण करके उसे सकारात्मक, नकारात्मक या तटस्थ वर्ग में रखती है। इसलिए विकल्प A सही है। विकल्प B पाठ को चित्र में बदलने, विकल्प C पता हटाने और विकल्प D शब्दों का क्रम बदलने से संबंधित हैं; इनमें से कोई भी भाव विश्लेषण का उद्देश्य नहीं है। परीक्षा-युक्ति: जब किसी समीक्षा की राय या भावात्मक प्रवृत्ति का वर्गीकरण पूछा जाए, तो sentiment analysis चुनें। / Sentiment analysis is an NLP technique that examines the opinion or emotional tone expressed in text and classifies a review as positive, negative, or neutral. Therefore, option A is correct. Converting text into an image, deleting a customer’s address, and reversing word order are unrelated operations. Exam tip: Choose sentiment analysis when the task is to classify the opinion or emotional tone of a review.
A. क्योंकि शब्द का सही अर्थ संदर्भ से तय हो सकता है/Because the correct meaning of a word can depend on context
Explanation
Simple Explanation
कई शब्दों के एक से अधिक अर्थ हो सकते हैं। उदाहरण के लिए, “bank” का अर्थ नदी का किनारा या वित्तीय संस्था हो सकता है। वाक्य और परिस्थिति का संदर्भ सही अर्थ चुनने में सहायता करता है, जिससे मशीन अनुवाद अधिक सटीक और स्वाभाविक बनता है। इसलिए विकल्प A सही है; विकल्प B गलत है क्योंकि अनेक शब्द बहुअर्थी होते हैं। परीक्षा-युक्ति: अनुवाद में बहुअर्थी शब्दों का अर्थ निर्धारित करने के लिए संदर्भ को सबसे पहले देखें। / Many words have more than one meaning. For example, “bank” may refer to a riverbank or a financial institution. The sentence and situation provide the context needed to identify the intended meaning, making machine translation more accurate and natural. Therefore, option A is correct; option B is incorrect because many words are ambiguous. Exam tip: Use the surrounding context to determine the meaning of a word during translation.
बोल पहचान प्रणाली माइक्रोफ़ोन से प्राप्त मानव आवाज़ या बोली के ध्वनि-संकेतों को इनपुट के रूप में लेती है और उन्हें शब्दों या पाठ में बदलती है। स्थिर चित्र इसका इनपुट नहीं होता; उसे समझने के लिए image recognition जैसी तकनीक उपयोग की जाती है। परीक्षा-टिप: Speech recognition को voice input और speech-to-text से जोड़कर याद रखें। / A speech recognition system takes human voice or spoken-language sound signals, usually captured through a microphone, as input and converts them into words or text. A still image is not its input; images are handled by technologies such as image recognition. Exam tip: Associate speech recognition with voice input and speech-to-text conversion.
A. चित्रों को मॉडल के लिए उपयुक्त बनाना/To make images suitable for the model
Explanation
Simple Explanation
चित्र पूर्वप्रसंस्करण में आकार बदलना, शोर हटाना, प्रकाश या रंग को सामान्य करना और पिक्सेल मानों को व्यवस्थित करना जैसे कार्य शामिल हो सकते हैं। इसका उद्देश्य कच्चे चित्रों को मॉडल के लिए एकसमान और विश्लेषण योग्य बनाना है, जिससे पहचान या वर्गीकरण की सटीकता बेहतर हो सकती है। चित्र मिटाना, ध्वनि बनाना या पाठ का अनुवाद करना पूर्वप्रसंस्करण का सामान्य उद्देश्य नहीं है। परीक्षा-युक्ति: पूर्वप्रसंस्करण को मॉडल में दिए जाने से पहले चित्र की गुणवत्ता और एकरूपता सुधारने वाले चरणों के रूप में याद रखें। / Image preprocessing may include resizing, removing noise, normalizing lighting or color, and organizing pixel values. Its purpose is to make raw images more consistent and suitable for analysis by a computer vision model, which can improve recognition or classification accuracy. Deleting images, generating sound, or translating text is not the general purpose of preprocessing. Exam tip: Remember preprocessing as the set of steps performed before model input to improve an image’s quality and consistency.
A. ताकि मॉडल सीख सके कि प्रत्येक चित्र किस वर्ग का है/So the model can learn which class each image belongs to
Explanation
Simple Explanation
वर्ग चिह्न प्रशिक्षण चित्र का सही वर्ग, जैसे बिल्ली या कुत्ता, बताते हैं। पर्यवेक्षित शिक्षण में मॉडल चित्र की विशेषताओं को उसके सही वर्ग से जोड़कर नए चित्रों का वर्गीकरण सीखता है। इसलिए विकल्प A सही है; अन्य विकल्प चित्र के आकार, कैमरे या चित्र की सामग्री में बदलाव से संबंधित हैं, लेबल के उद्देश्य से नहीं। परीक्षा-युक्ति: जिस प्रश्न में सही उत्तर पहले से दिए गए वर्गों से सीखने की बात हो, वहाँ labels पर्यवेक्षित शिक्षण का संकेत होते हैं। / A label gives the correct class of a training image, such as cat or dog. In supervised learning, the model connects visual features with these known classes and then uses that learning to classify new images. Therefore, option A is correct; the other options describe changes to image size, camera quality, or image content, not the purpose of labels. Exam tip: Labels are a key sign of supervised learning because they provide the expected answer during training.
A. चित्र में वस्तु का स्थान और विस्तार दिखाने के लिए/To show an object's location and extent in an image
Explanation
Simple Explanation
सीमा डिब्बा वस्तु के चारों ओर एक आयताकार क्षेत्र बनाता है, जिससे मॉडल वस्तु का स्थान और उसका अनुमानित विस्तार दिखा सकता है। केवल पूरे चित्र को एक वर्ग देना image classification है, object detection नहीं। परीक्षा में याद रखें: object detection सामान्यतः वस्तु का वर्ग और bounding box दोनों बताता है। / A bounding box is a rectangular region drawn around an object to indicate its location and approximate extent. Assigning one class to the whole image is image classification, not object detection. Exam tip: object detection generally provides both the object class and its bounding box.
A. किसी गलत व्यक्ति को मिलान बता देना/Marking an incorrect person as a match
Explanation
Simple Explanation
गलत सकारात्मक तब होता है जब प्रणाली वास्तव में गलत व्यक्ति होने पर भी मिलान होने का परिणाम देती है। इसलिए विकल्प A सही है। विकल्प B सही सकारात्मक का उदाहरण है, जबकि विकल्प C गलत नकारात्मक का उदाहरण है। परीक्षा में याद रखें: false positive का अर्थ है—गलत स्थिति को सकारात्मक या ‘हाँ’ बताना। / A false positive occurs when the system reports a match even though the identified person is actually incorrect. Therefore, option A is correct. Option B describes a true positive, while option C describes a false negative. Exam tip: remember that a false positive means incorrectly reporting a positive result or “yes.”
A. बाहरी जानकारी को जाल में ग्रहण करना/To receive external information into the network
Explanation
Simple Explanation
इनपुट परत तंत्रिका जाल में बाहरी डेटा, जैसे चित्र के पिक्सेल या सारणीबद्ध मान, को ग्रहण करके आगे की परतों तक पहुँचाती है। अंतिम परिणाम प्रदर्शित करना सामान्यतः आउटपुट परत का कार्य होता है, इसलिए विकल्प B गलत है। परीक्षा में याद रखें: डेटा का प्रवेश इनपुट परत से और भविष्यवाणी का निष्कर्ष आउटपुट परत से जुड़ा होता है। / The input layer receives external data, such as image pixels or tabular values, and passes it to the subsequent layers for processing. Displaying the final result is associated with the output layer, so option B is incorrect. Exam tip: remember that data enters through the input layer, while the prediction or conclusion comes from the output layer.
आउटपुट परत तंत्रिका जाल की अंतिम परत होती है और पिछली परतों से प्राप्त संसाधित जानकारी के आधार पर अंतिम भविष्यवाणी या परिणाम देती है। वर्गीकरण में यह किसी श्रेणी की संभावना या वर्ग-लेबल दे सकती है। विकल्प C मध्यवर्ती परतों का सामान्य कार्य है, जबकि विकल्प B और D आउटपुट परत के कार्य नहीं हैं। परीक्षा टिप: नेटवर्क की अंतिम परत का कार्य अंतिम भविष्यवाणी प्रस्तुत करना याद रखें। / The output layer is the final layer of a neural network. It uses the processed information from earlier layers to produce the final prediction or result. In classification, it may provide class probabilities or a class label. Extracting intermediate features is mainly the role of hidden layers, while passing raw input and collecting training data are not output-layer functions. Exam tip: associate the last layer with the network’s final prediction.
A. यह गैर-रैखिकता जोड़कर जटिल संबंधों को सीखने में मदद करता है/It helps learn complex relationships by adding nonlinearity
Explanation
Simple Explanation
सक्रियण फलन न्यूरॉन के आउटपुट में गैर-रैखिकता जोड़ता है। इससे तंत्रिका जाल केवल सीधी रेखा जैसे संबंधों तक सीमित नहीं रहता और जटिल पैटर्न सीख सकता है। आंकड़े मिटाना, नेटवर्क बंद करना या चित्र छिपाना सक्रियण फलन के कार्य नहीं हैं। परीक्षा टिप: सक्रियण फलन का मुख्य संबंध गैर-रैखिकता और जटिल पैटर्न सीखने से याद रखें। / An activation function introduces nonlinearity into a neuron's output. This allows a neural network to learn complex patterns instead of being limited to simple linear relationships. Deleting data, shutting down the network, or hiding images is not the role of an activation function. Exam tip: associate activation functions primarily with nonlinearity and learning complex patterns.
A. त्रुटि कम करके बेहतर अनुमान पाने के लिए/To reduce error and get better predictions
Explanation
Simple Explanation
प्रशिक्षण के दौरान नेटवर्क का अनुमान वास्तविक लक्ष्य से मिलाया जाता है और त्रुटि ज्ञात की जाती है। इस त्रुटि के आधार पर भार तथा पक्षपात को अद्यतन किया जाता है, ताकि मॉडल की हानि घटे और भविष्य के अनुमान अधिक सटीक हों। विकल्प C और D संरचना या सक्रियण-प्रकार से संबंधित हैं; वे सामान्यतः भार और पक्षपात के अद्यतन का उद्देश्य नहीं हैं। परीक्षा-युक्ति: भार इनपुट के प्रभाव को और पक्षपात प्रारंभिक समायोजन को नियंत्रित करता है। / During training, the network’s prediction is compared with the target and its error is measured. The weights and bias are then updated using this error so that the model’s loss decreases and future predictions become more accurate. Options C and D concern the network’s structure or activation function, not the usual purpose of updating weights and bias. Exam tip: weights control the influence of inputs, while bias provides an additional adjustable offset.
A. मॉडल के अनुमान और वास्तविक उत्तर के बीच अंतर मापना/To measure the difference between the model's prediction and the actual answer
Explanation
Simple Explanation
हानि फलन मॉडल के अनुमान और वास्तविक उत्तर के बीच त्रुटि या अंतर को एक संख्यात्मक मान में व्यक्त करता है। प्रशिक्षण के दौरान अनुकूलन एल्गोरिदम इस मान को घटाने के लिए मॉडल के पैरामीटर बदलता है। इसलिए इसका मुख्य कार्य डेटा बनाना या परिणाम प्रदर्शित करना नहीं, बल्कि मॉडल की भविष्यवाणी की गुणवत्ता मापना है। परीक्षा-युक्ति: कम हानि सामान्यतः वास्तविक उत्तर के अधिक निकट अनुमान को दर्शाती है। / A loss function expresses the error or difference between a model's prediction and the actual answer as a numerical value. During training, an optimization algorithm adjusts the model parameters to reduce this value. Thus, its main purpose is to measure prediction quality, not to create data or display results. Exam tip: Lower loss generally indicates predictions that are closer to the actual answers.
A. क्योंकि यह मॉडल के अद्यतन की गति और प्रशिक्षण की स्थिरता को प्रभावित करती है/Because it affects the model update speed and training stability
Explanation
Simple Explanation
अधिगम दर प्रत्येक चरण में मॉडल के भारों में होने वाले परिवर्तन का आकार निर्धारित करती है। बहुत बड़ी अधिगम दर से मॉडल न्यूनतम त्रुटि-बिंदु को पार कर सकता है और प्रशिक्षण अस्थिर हो सकता है, जबकि बहुत छोटी दर से प्रशिक्षण अत्यधिक धीमा हो जाता है। इसलिए ऐसी दर चुननी चाहिए जो सीखने की गति और स्थिरता के बीच संतुलन बनाए। परीक्षा-युक्ति: अधिगम दर को मॉडल के अपडेट-चरण के आकार के रूप में याद रखें। / The learning rate determines the size of the change made to the model’s weights at each update. If it is too high, the model may overshoot the minimum-error point and training can become unstable; if it is too low, training becomes unnecessarily slow. Therefore, it must balance learning speed and stability. Exam tip: remember the learning rate as the size of each model-update step.
A. ताकि अलग-अलग समूहों पर अनुचित प्रभाव न पड़े/So that different groups are not unfairly affected
Explanation
Simple Explanation
निष्पक्षता की जांच यह पता लगाने के लिए की जाती है कि AI का निर्णय किसी जाति, लिंग या अन्य समूह के साथ अनुचित भेदभाव तो नहीं कर रहा है। इसलिए विकल्प A सही है। विकल्प B निष्पक्षता के विपरीत है, क्योंकि निष्पक्ष AI पक्षपात बढ़ाने के बजाय उसे कम करने का प्रयास करता है। परीक्षा-युक्ति: AI नैतिकता में fairness का संबंध समान और गैर-भेदभावपूर्ण व्यवहार से याद रखें। / Fairness is checked to determine whether an AI system treats people from different groups equitably and avoids unjust discrimination based on factors such as gender or ethnicity. Therefore, option A is correct. Option B is the opposite of fairness because responsible AI aims to reduce bias, not encourage it. Exam tip: In AI ethics, remember that fairness means avoiding unjustified differences in outcomes or treatment between groups.
A. जब निर्णय लोगों के जीवन को प्रभावित करें/When decisions affect people's lives
Explanation
Simple Explanation
शिक्षा, स्वास्थ्य, रोजगार या ऋण जैसे क्षेत्रों में एआई का निर्णय किसी व्यक्ति के अवसरों और जीवन पर प्रभाव डाल सकता है। इसलिए यह समझना जरूरी है कि निर्णय किन कारणों और आंकड़ों के आधार पर लिया गया, ताकि त्रुटि, पक्षपात और जवाबदेही की जांच की जा सके। विकल्प B कम-जोखिम वाले मनोरंजन संबंधी बदलाव का उदाहरण है, जबकि C और D में निर्णय की व्याख्या करने के लिए परिणाम या पर्याप्त आंकड़े ही नहीं हैं। परीक्षा-टिप: जिन एआई निर्णयों का मानव जीवन, अधिकारों या अवसरों पर प्रभाव हो, उनमें व्याख्येयता अधिक महत्वपूर्ण होती है। / In areas such as education, healthcare, employment, or lending, an AI decision can affect a person’s opportunities and life. It is therefore important to understand which reasons and data led to the decision so that errors, bias, and accountability can be examined. Option B describes a low-risk entertainment change, while C and D do not represent situations where a meaningful decision explanation is required. Exam tip: Explainability is especially important when an AI decision affects people’s lives, rights, or opportunities.
A. व्यक्ति की पहचान छिपाकर गोपनीयता बचाने के लिए/To protect privacy by hiding a person's identity
Explanation
Simple Explanation
अनामीकरण में नाम, पहचान संख्या या अन्य पहचान बताने वाली जानकारी को हटाया या बदल दिया जाता है, ताकि आंकड़ों का उपयोग करते समय व्यक्ति की पहचान सीधे न हो सके। इसलिए इसका मुख्य उद्देश्य गोपनीयता की रक्षा करना और पहचान उजागर होने का जोखिम घटाना है। यह आंकड़ों को अधिक सटीक नहीं बनाता और न ही सभी आंकड़े मिटाता है। परीक्षा टिप: अनामीकरण का संबंध पहचान छिपाने और डेटा गोपनीयता से याद रखें। / Anonymization removes or changes names, identification numbers, or other identifying details so that a person cannot be directly identified while the data is used. Its main purpose is therefore to protect privacy and reduce the risk of revealing identity. It does not increase data accuracy or permanently delete all data. Exam tip: Associate anonymization with hiding identity and protecting data privacy.
A. निर्णयों और उनके प्रभावों के लिए जिम्मेदार व्यक्ति या संस्था का स्पष्ट रूप से तय होना/Clearly identifying the person or organization responsible for decisions and their impacts
Explanation
Simple Explanation
जवाबदेही का अर्थ है कि कृत्रिम बुद्धिमत्ता प्रणाली के निर्णयों और उनके प्रभावों के लिए जिम्मेदार व्यक्ति या संस्था स्पष्ट रूप से निर्धारित हो तथा वह अपने कार्यों का स्पष्टीकरण दे सके। गलतियों को छिपाना जवाबदेही के विपरीत है, जबकि बिना निगरानी के प्रणाली छोड़ना जोखिम बढ़ाता है। परीक्षा-युक्ति: जवाबदेही को ‘जिम्मेदारी तय होना और उसका उत्तर देना’ से जोड़कर याद रखें। / Accountability means clearly identifying the person or organization responsible for an AI system’s decisions and impacts, so that it can explain and answer for its actions. Hiding errors is the opposite of accountability, while removing oversight increases risk. Exam tip: remember accountability as ‘assigned responsibility with an obligation to answer.’
A. जहां निर्णय संवेदनशील या जोखिमपूर्ण हों/Where decisions are sensitive or risky
Explanation
Simple Explanation
संवेदनशील या जोखिमपूर्ण निर्णयों में गलती से व्यक्ति, समाज या संसाधनों को गंभीर नुकसान हो सकता है। मानव पर्यवेक्षण ऐसे निर्णयों की जांच, संदर्भ के अनुसार समीक्षा और आवश्यकता पड़ने पर सुधार सुनिश्चित करता है। इसके विपरीत, केवल रंग बदलने जैसे कम-जोखिम वाले कार्य में सामान्यतः इतनी निगरानी आवश्यक नहीं होती। परीक्षा-युक्ति: जिस AI अनुप्रयोग में संभावित नुकसान अधिक हो, वहां मानव की समीक्षा या अंतिम स्वीकृति को प्राथमिकता दें। / Sensitive or high-risk decisions can cause serious harm to people, society, or resources if they are wrong. Human supervision allows such decisions to be reviewed in context and corrected when necessary. In contrast, a low-risk task such as changing a color generally does not require the same level of oversight. Exam tip: Give priority to human review or final approval when an AI application can cause greater harm.
एक नगर निगम कैमरों से मिली तस्वीरों में कचरे के ढेरों की स्वतः पहचान करके सफाई दल को सूचना भेजना चाहता है। इसके लिए AI का कौन-सा अनुप्रयोग सबसे उपयुक्त है?
कंप्यूटर विज़न चित्रों में वस्तुओं और दृश्य पैटर्न की पहचान करता है, इसलिए कैमरा-तस्वीरों में कचरा ढूँढने के लिए यह सही है। NLP पाठ और वाक् पहचान ध्वनि पर काम करती है। परीक्षा टिप: पहले इनपुट पहचानें—चित्र, पाठ या ऑडियो। / Computer vision detects objects and visual patterns in images, so it can locate garbage in camera pictures. NLP handles text, while speech recognition processes audio. Exam tip: first identify the input type—image, text, or audio.
A. रोग या जल जरूरत का जल्दी संकेत मिल सकता है/Early signals of disease or water need can be found
Explanation
Simple Explanation
फसल की तस्वीरों, ड्रोन या सेंसर से प्राप्त आँकड़ों का विश्लेषण करके कृत्रिम बुद्धिमत्ता रोग, कीट-प्रकोप या पानी की कमी के शुरुआती संकेत पहचान सकती है। इससे किसान समय पर सिंचाई या उपचार का निर्णय ले सकता है। इसलिए विकल्प A सही है; अन्य विकल्प AI-आधारित निगरानी के लाभ नहीं बताते। परीक्षा-टिप: कृषि में AI के प्रमुख उपयोगों को समय पर निगरानी, संसाधनों के बेहतर उपयोग और समस्या की शीघ्र पहचान से जोड़ें। / By analysing data from crop images, drones, or sensors, artificial intelligence can identify early signs of disease, pest attack, or water shortage. This enables farmers to take timely decisions about irrigation or treatment. Therefore, option A is correct; the other options do not describe benefits of AI-based monitoring. Exam tip: Associate AI applications in agriculture with timely monitoring, efficient resource use, and early problem detection.
एक नगर निगम कूड़े के ढेरों की तस्वीरों का विश्लेषण करके प्लास्टिक, कागज और जैविक कचरे को अलग-अलग पहचानने के लिए AI प्रणाली बनाता है। यह मुख्यतः किस AI क्षमता का उदाहरण है?
कंप्यूटर विज़न AI को तस्वीरों में वस्तुओं और उनके प्रकार पहचानने में सक्षम बनाता है, इसलिए कचरे की छवियों का वर्गीकरण इसी का उपयोग है। NLP केवल लिखे या बोले शब्दों के लिए होता है। परीक्षा में चित्र या कैमरा दिखे तो कंप्यूटर विज़न चुनें। / Computer vision enables AI to identify objects and categories in images, so classifying waste from photographs uses this capability. NLP is used for written or spoken language, not visual images. Exam tip: if a camera or picture is involved, look for computer vision.
A. पत्तियों की तस्वीरों का विश्लेषण करके फसल रोग की पहचान करना/Analysing leaf images to identify crop diseases
Explanation
Simple Explanation
एआई आधारित कंप्यूटर विज़न पत्तियों की छवियों में धब्बे, रंग और बनावट के संकेतों से फसल रोग पहचान सकता है। B केवल रिकॉर्ड-रखना है। परीक्षा टिप: छवि-विश्लेषण वाले उदाहरण प्रायः कंप्यूटर विज़न से जुड़े होते हैं। / AI-based computer vision can detect crop diseases by finding patterns such as spots, colour changes, and texture in leaf images. B is only record-keeping. Exam tip: image-analysis applications usually involve computer vision.
A. धोखाधड़ी सामान्य लेनदेन के पैटर्न से अलग हो सकती है
Explanation
Simple Explanation
सामान्य वित्तीय लेनदेन में कुछ नियमित पैटर्न दिखाई दे सकते हैं। धोखाधड़ी वाला लेनदेन इन पैटर्न से अलग, यानी असामान्य, हो सकता है; विसंगति पहचान ऐसे मामलों को चिह्नित करने में सहायता करती है। विकल्प B गलत है क्योंकि सभी लेनदेन समान नहीं होते। परीक्षा टिप: विसंगति पहचान का संबंध सामान्य व्यवहार से असामान्य विचलन खोजने से है। / Normal financial transactions often show recurring patterns. A fraudulent transaction may deviate from these patterns, so anomaly detection can flag it for further review. Option B is incorrect because transactions are not all identical. Exam tip: Anomaly detection focuses on finding unusual deviations from normal behaviour.
A. परिवेश, वस्तुओं और दूरी को समझने के लिए/To understand the surroundings, objects, and distances
Explanation
Simple Explanation
स्वचालित वाहन सेंसरों से आसपास की वस्तुओं, उनकी दूरी और गति जैसी जानकारी प्राप्त करता है। इसी आंकड़े के आधार पर वाहन रास्ता चुनता, बाधाओं से बचता और सुरक्षित निर्णय लेता है। विकल्प B गलत है, क्योंकि सेंसर वाहन को बिना जानकारी के नहीं चलाते। परीक्षा-युक्ति: सेंसर का मुख्य कार्य परिवेश को पहचानने के लिए डेटा एकत्र करना है। / An autonomous vehicle uses sensors to obtain information about nearby objects, their distances, and motion. It uses this data to select a path, avoid obstacles, and make safe decisions. Option B is incorrect because sensors do not enable the vehicle to operate without information. Exam tip: The primary role of sensors is to collect data about the vehicle’s surroundings.
A. वास्तविक उपयोग में होने वाले बदलाव और त्रुटियों की पहचान करने के लिए/To identify changes and errors in real-world use
Explanation
Simple Explanation
परिनियोजन के बाद प्रतिरूप वास्तविक परिस्थितियों और नए आंकड़ों पर काम करता है। समय के साथ उपयोगकर्ताओं का व्यवहार, आंकड़ों का स्वरूप या प्रतिरूप का प्रदर्शन बदल सकता है, जिससे त्रुटियां या प्रदर्शन में कमी आ सकती है। निगरानी इन बदलावों और समस्याओं को समय पर पहचानने में मदद करती है, ताकि आवश्यक सुधार किए जा सकें। परीक्षा-युक्ति: परिनियोजन के बाद निगरानी का मुख्य उद्देश्य प्रतिरूप के प्रदर्शन और विश्वसनीयता को बनाए रखना है। / After deployment, a model operates in real conditions and on new data. User behaviour, data patterns, or model performance may change over time, causing errors or reduced accuracy. Monitoring helps detect these changes and problems early so that corrective improvements can be made. Exam tip: The main purpose of post-deployment monitoring is to maintain the model’s performance and reliability.
A. परियोजना की प्रक्रिया, निष्कर्ष और सीख को स्पष्ट रूप से प्रस्तुत करना/To clearly present the project process, findings, and learning
Explanation
Simple Explanation
अंतिम प्रतिवेदन में समस्या, प्रयुक्त आँकड़े, अपनाई गई विधि, परिणाम, सीमाएँ और सीख को व्यवस्थित रूप से दर्ज किया जाता है। इसलिए विकल्प A सही है, क्योंकि प्रतिवेदन परियोजना की प्रक्रिया और निष्कर्षों को पारदर्शी ढंग से प्रस्तुत करता है। विकल्प D गलत है; परिणामों को प्रतिवेदन में शामिल करने से पहले उनका मूल्यांकन और सत्यापन आवश्यक होता है। परीक्षा-युक्ति: अंतिम प्रतिवेदन का मुख्य उद्देश्य दस्तावेजीकरण, संचार और भविष्य में सुधार के लिए परियोजना का रिकॉर्ड रखना है। / A final report systematically records the problem, data used, method followed, results, limitations, and learning. Therefore, option A is correct because it presents the project process and findings transparently. Option D is incorrect because results must be evaluated and checked before they are reported. Exam tip: Remember that a final report supports documentation, communication, and future improvement of the project.
