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
A. बुद्धिमान प्रणाली को पैटर्न सीखने और भविष्यवाणी करने में सहायता करना/To help an intelligent system learn patterns and make predictions
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता में आंकड़े मॉडल को उदाहरणों, पैटर्नों और उनके संबंधों से सीखने में सहायता करते हैं। इस सीख का उपयोग वर्गीकरण, पूर्वानुमान और निर्णय-सहायता जैसे कार्यों में किया जाता है। इसलिए विकल्प A सही है। विकल्प B गलत है, क्योंकि आंकड़े होने मात्र से प्रणाली हमेशा सही नहीं हो जाती; आंकड़ों की गुणवत्ता और मानवीय निगरानी भी महत्त्वपूर्ण हैं। परीक्षा टिप: प्रशिक्षण आंकड़े मॉडल को सीखने के उदाहरण देते हैं, जबकि परीक्षण आंकड़े उसके प्रदर्शन का मूल्यांकन करने में सहायता करते हैं। / In artificial intelligence, data helps a model learn from examples, patterns, and relationships among them. This learning supports tasks such as classification, prediction, and decision assistance, so option A is correct. Option B is incorrect because the presence of data does not make a system always correct; data quality and human supervision also matter. Exam tip: Training data provides examples for learning, while testing data helps evaluate the model’s performance.
A. आँकड़ों से सीखकर नए परिणाम या पूर्वानुमान देना/Learning from data to make new results or predictions
Explanation
Simple Explanation
यंत्र अधिगम में कंप्यूटर आँकड़ों के उदाहरणों से पैटर्न सीखता है और फिर नए आँकड़ों के लिए परिणाम या पूर्वानुमान देता है। इसलिए विकल्प A सही है। विकल्प D में नियम मनुष्य पहले से लिखता है, जो पारंपरिक प्रोग्रामिंग है; यंत्र अधिगम में नियम या पैटर्न आँकड़ों से सीखे जाते हैं। परीक्षा टिप: “आँकड़ों से सीखना” यंत्र अधिगम का मुख्य संकेत है। / In machine learning, a computer learns patterns from data examples and then produces a result or prediction for new data. Therefore, option A is correct. In option D, a person writes rules in advance, which describes traditional programming; machine learning learns patterns or rules from data. Exam tip: “learning from data” is the key clue for machine learning.
A. मॉडल को प्रशिक्षित करने के लिए/To train the model
Explanation
Simple Explanation
प्रशिक्षण आंकड़ों में इनपुट और उनसे जुड़े उदाहरण होते हैं, जिनसे मॉडल पैटर्न तथा संबंध सीखता है। इसलिए मॉडल को प्रशिक्षित करने के लिए प्रशिक्षण आंकड़ों का उपयोग किया जाता है। हाइपरपैरामीटर चुनने के लिए सामान्यतः सत्यापन आंकड़ों का, जबकि अंतिम प्रदर्शन जाँचने के लिए परीक्षण आंकड़ों का उपयोग होता है। परीक्षा टिप: training, validation और test data के कार्यों को अलग-अलग याद रखें। / Training data contain examples, often with input-output pairs, from which a model learns patterns and relationships. Therefore, they are used to train the model. Validation data are generally used to choose hyperparameters, whereas test data are used to assess final performance. Exam tip: Remember the separate roles of training, validation, and test data.
A. मॉडल के प्रदर्शन का मूल्यांकन करना/To evaluate the model's performance
Explanation
Simple Explanation
परीक्षण आंकड़ों का उपयोग प्रशिक्षित मॉडल का मूल्यांकन करने के लिए किया जाता है। ये ऐसे नए, पहले न देखे गए उदाहरण होते हैं जिन पर मॉडल की भविष्यवाणी क्षमता जाँची जाती है। मॉडल को प्रशिक्षित करने के लिए प्रशिक्षण आंकड़े प्रयुक्त होते हैं, जबकि मापदंडों का समायोजन सामान्यतः सत्यापन आंकड़ों से किया जाता है। परीक्षा टिप: test data को model evaluation और unseen data performance से जोड़कर याद रखें। / Test data are used to evaluate a trained model. They contain new, previously unseen examples that check how well the model can make predictions beyond its training data. Training data are used to train the model, while validation data are generally used for parameter tuning. Exam tip: associate test data with model evaluation and performance on unseen data.
A. इनपुट डेटा के साथ सही आउटपुट लेबल/Correct output labels with input data
Explanation
Simple Explanation
सुव्यवस्थित अधिगम में मॉडल को इनपुट डेटा के साथ उसका सही आउटपुट या लेबल दिया जाता है। मॉडल इन उदाहरणों से इनपुट और आउटपुट के बीच संबंध सीखता है, जैसे ईमेल को स्पैम या नॉन-स्पैम पहचानना। केवल बिना लेबल वाला डेटा असुव्यवस्थित अधिगम की विशेषता है। परीक्षा टिप: supervised learning को हमेशा labelled data से जोड़कर याद रखें। / In supervised learning, the model is given input data along with the correct output or label. It learns the relationship between inputs and outputs from these examples, such as identifying an email as spam or non-spam. Data without labels is associated with unsupervised learning. Exam tip: Remember supervised learning as learning from labelled data.
A. आंकड़ों में छिपे समूह या पैटर्न/Hidden groups or patterns in data
Explanation
Simple Explanation
अव्यवस्थित अधिगम में डेटा के साथ पहले से लक्ष्य लेबल या सही उत्तर नहीं दिए जाते। मॉडल समानताओं और भिन्नताओं के आधार पर आंकड़ों में छिपे समूह, संबंध या पैटर्न खोजता है। क्लस्टरिंग इसका सामान्य उदाहरण है। विकल्प B और C पर्यवेक्षित अधिगम से अधिक संबंधित हैं, क्योंकि उनमें ज्ञात लक्ष्य या आउटपुट होते हैं। परीक्षा टिप: बिना लेबल वाले डेटा में समूह या पैटर्न पहचानना अव्यवस्थित अधिगम का संकेत है। / In unsupervised learning, the data does not come with predefined target labels or correct answers. The model looks for hidden groups, relationships, or patterns by examining similarities and differences in the data. Clustering is a common example. Options B and C are more closely associated with supervised learning because they use known targets or outputs. Exam tip: finding groups or patterns in unlabelled data indicates unsupervised learning.
A. इनपुट को पूर्वनिर्धारित वर्ग या श्रेणी में रखता है/Assigns the input to a predefined class or category
Explanation
Simple Explanation
वर्गीकरण में मॉडल इनपुट की विशेषताओं के आधार पर उसे पहले से निर्धारित वर्गों में से एक वर्ग सौंपता है। उदाहरण के लिए, ईमेल को स्पैम या नॉन-स्पैम के रूप में पहचानना वर्गीकरण है। निरंतर संख्यात्मक मान, जैसे घर की कीमत, का अनुमान लगाना प्रतिगमन है; समान डेटा बिंदुओं के समूह बनाना क्लस्टरिंग और विशेषताओं की संख्या घटाना आयाम न्यूनीकरण कहलाता है। परीक्षा टिप: यदि आउटपुट कोई लेबल या श्रेणी है, तो कार्य सामान्यतः वर्गीकरण होता है। / In classification, the model uses input features to assign an input to one of the predefined classes. For example, identifying an email as spam or not spam is a classification task. Predicting a continuous value, such as a house price, is regression; grouping similar data points is clustering, and reducing the number of features is dimensionality reduction. Exam tip: If the output is a label or category, the task is generally classification.
प्रतिगमन (regression) आधारित पूर्वानुमान में मॉडल किसी सतत या संख्यात्मक मात्रा का अनुमान देता है, जैसे घर की कीमत, तापमान या बिक्री की मात्रा। वर्ग लेबल वर्गीकरण (classification) कार्य का सामान्य आउटपुट होता है, प्रतिगमन का नहीं। परीक्षा टिप: यदि लक्ष्य मान संख्या के रूप में मापा जाता है, तो प्रश्न सामान्यतः प्रतिगमन से संबंधित होता है। / In regression-based prediction, a model estimates a continuous or numerical quantity, such as a house price, temperature, or sales amount. A class label is the usual output of a classification task, not regression. Exam tip: If the target is measured as a number, the task is usually regression.
A. डेटा से सीखे गए पैटर्न या नियमों का ढांचा/A structure of patterns or rules learned from data
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता में मॉडल वह गणितीय या संगणकीय ढांचा है जो प्रशिक्षण डेटा से पैटर्न सीखता है और नए इनपुट पर पूर्वानुमान या निर्णय देता है। इसलिए विकल्प A सही है। कंप्यूटर मॉडल को चलाने वाला हार्डवेयर है, डेटाबेस डेटा संग्रहीत करता है और स्क्रीन इंटरफेस परिणाम दिखाता है—इनमें से कोई भी मॉडल नहीं है। परीक्षा टिप: मॉडल को “डेटा से सीखकर नए उदाहरणों पर परिणाम देने वाला ढांचा” समझें। / In artificial intelligence, a model is a mathematical or computational structure that learns patterns from training data and uses them to make predictions or decisions for new inputs. Therefore, option A is correct. A computer provides the hardware, a database stores data, and a screen interface displays results; none of these is the model itself. Exam tip: Remember a model as a structure that learns from data and produces results for new examples.
A. डेटा उदाहरण का सही वर्ग या अपेक्षित परिणाम बताने के लिए/To indicate the correct class or expected outcome of a data example
Explanation
Simple Explanation
वर्ग चिह्न (लेबल) किसी डेटा उदाहरण का सही वर्ग या लक्ष्य परिणाम बताता है। पर्यवेक्षित अधिगम में मॉडल इनपुट विशेषताओं और उनके लेबल के संबंध से सीखता है। विकल्प B में दी गई विशेषता इनपुट का गुण होती है, जबकि लेबल अपेक्षित आउटपुट होता है। परीक्षा टिप: लेबल को प्रायः target या output के रूप में पहचानें। / A label identifies the correct class or target outcome for a data example. In supervised learning, a model learns the relationship between input features and their labels. An input feature in option B is a property of the input, whereas a label is the expected output. Exam tip: A label is commonly called the target or output.
