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.
A. त्रुटिपूर्ण और अधूरे आंकड़ों को सुधारना/To correct erroneous and incomplete data
Explanation
Simple Explanation
आंकड़ा सफाई में त्रुटियों, असंगतियों, डुप्लिकेट प्रविष्टियों और अनुपस्थित मानों की पहचान करके उन्हें सुधारा, हटाया या उचित रूप से भरा जाता है। इसलिए विकल्प A सही है, क्योंकि इसका उद्देश्य आंकड़ों की गुणवत्ता बढ़ाना है। विकल्प D गलत है क्योंकि बिना जाँच के आंकड़े बदलने से नई त्रुटियाँ उत्पन्न हो सकती हैं। परीक्षा टिप: डेटा सफाई को डेटा की गुणवत्ता और विश्वसनीयता सुधारने की प्रक्रिया के रूप में याद रखें। / Data cleaning identifies and corrects, removes, or appropriately handles errors, inconsistencies, duplicate entries, and missing values. Therefore, option A is correct because its purpose is to improve data quality. Option D is incorrect because changing data without checking can introduce new errors. Exam tip: Remember data cleaning as the process of improving data quality and reliability.
A. किसी रिकॉर्ड में आवश्यक जानकारी उपलब्ध नहीं है/Required information is unavailable in a record
Explanation
Simple Explanation
अधूरा मान (missing value) यह दर्शाता है कि किसी रिकॉर्ड के एक या अधिक आवश्यक डेटा-क्षेत्रों में जानकारी उपलब्ध नहीं है। इसलिए विकल्प A सही है। विकल्प B इसका उल्टा कहता है, क्योंकि सभी रिकॉर्ड पूर्ण होने पर अधूरा मान नहीं होगा। ऐसे मानों को हटाना, भरना (imputation) या अलग से चिह्नित करना डेटा सफाई का भाग हो सकता है। परीक्षा टिप: missing value को डेटा की अनुपलब्धता से जोड़कर याद रखें। / A missing value indicates that required information is unavailable in one or more data fields of a record. Therefore, option A is correct. Option B states the opposite, because a missing value cannot exist when all records are complete. Removing, filling (imputing), or marking such values is part of data cleaning. Exam tip: associate a missing value with unavailable data in a record.
A. मॉडल प्रशिक्षण आंकड़ों को बहुत अधिक याद कर लेता है/The model memorizes training data too much
Explanation
Simple Explanation
अधिक सीखने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के विशिष्ट विवरण या शोर को भी याद कर लेता है। इसलिए प्रशिक्षण आंकड़ों पर प्रदर्शन बहुत अच्छा, लेकिन नए आंकड़ों पर प्रदर्शन कमजोर हो सकता है। विकल्प B सामान्यीकरण को दर्शाता है, जबकि विकल्प C underfitting से संबंधित है। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण प्रदर्शन के बीच बड़ा अंतर overfitting का संकेत है। / Overfitting occurs when a model learns the specific details or noise of the training data too closely. As a result, it may perform very well on training data but poorly on unseen data. Option B describes good generalization, while option C is related to underfitting. Exam tip: A large gap between training and test performance is a common sign of overfitting.
A. मॉडल आंकड़ों का ढांचा ठीक से नहीं सीखता/The model does not learn the data pattern properly
Explanation
Simple Explanation
Underfitting में मॉडल डेटा के महत्वपूर्ण पैटर्न, यहाँ तक कि सरल पैटर्न भी, पर्याप्त रूप से नहीं सीख पाता। इसलिए उसका प्रदर्शन प्रशिक्षण और परीक्षण—दोनों डेटा पर कमजोर रह सकता है। विकल्प B overfitting को दर्शाता है, जिसमें मॉडल प्रशिक्षण डेटा को बहुत अधिक याद कर लेता है। परीक्षा-युक्ति: underfitting को high bias और training तथा test दोनों पर कम प्रदर्शन से जोड़ें। / Underfitting occurs when a model fails to learn important patterns in the data, including simple ones. As a result, its performance may be poor on both the training and test data. Option B describes overfitting, where the model memorizes the training data too closely. Exam tip: associate underfitting with high bias and low performance on both training and test data.
A. वर्गीकरण मॉडल के सही और गलत पूर्वानुमानों का सारांश दिखाने के लिए/To summarize the correct and incorrect predictions of a classification model
Explanation
Simple Explanation
भ्रम सारणी वर्गीकरण मॉडल के वास्तविक और पूर्वानुमानित वर्गों की तुलना करके सही वर्गीकरण तथा विभिन्न प्रकार की त्रुटियाँ दिखाती है। इसलिए इसका उपयोग मॉडल के वर्गीकरण प्रदर्शन का मूल्यांकन करने के लिए होता है। विकल्प B प्रशिक्षण डेटा बनाने, विकल्प C विशेषता चयन और विकल्प D डेटा-पूर्वप्रसंस्करण से संबंधित हैं, भ्रम सारणी से नहीं। परीक्षा टिप: भ्रम सारणी से accuracy, precision, recall और अन्य classification metrics निकाले जा सकते हैं। / A confusion matrix compares the actual and predicted classes of a classification model and shows correct classifications along with different types of errors. Therefore, it is used to evaluate classification performance. Option B concerns creating training data, option C concerns feature selection, and option D concerns data preprocessing, not confusion matrices. Exam tip: Accuracy, precision, recall, and other classification metrics can be derived from a confusion matrix.
A. जिसे सकारात्मक माना गया और वह वास्तव में सकारात्मक था/Predicted positive and actually positive
Explanation
Simple Explanation
सत्य सकारात्मक (True Positive) तब होता है जब मॉडल किसी उदाहरण को सकारात्मक वर्ग का बताता है और वास्तविक वर्ग भी सकारात्मक होता है। विकल्प B मिथ्या सकारात्मक (False Positive) और विकल्प C मिथ्या नकारात्मक (False Negative) को दर्शाते हैं, जबकि D सत्य नकारात्मक (True Negative) है। परीक्षा में याद रखें: TP = predicted positive + actual positive। / A true positive (TP) occurs when the model predicts the positive class and the actual class is also positive. Option B is a false positive, option C is a false negative, and option D is a true negative. Exam tip: remember TP as predicted positive plus actual positive.
A. मॉडल सकारात्मक बताता है लेकिन वास्तविक परिणाम नकारात्मक होता है/Model predicts positive but actual result is negative
Explanation
Simple Explanation
झूठा सकारात्मक (False Positive) तब होता है जब मॉडल सकारात्मक वर्ग का अनुमान लगाता है, लेकिन वास्तविक परिणाम या लेबल नकारात्मक होता है। इसलिए विकल्प A सही है। विकल्प B सही सकारात्मक (True Positive), विकल्प C सही नकारात्मक (True Negative) और विकल्प D झूठा नकारात्मक (False Negative) दर्शाता है। परीक्षा-युक्ति: False Positive में मॉडल का “positive” अनुमान गलत होता है। / A false positive occurs when the model predicts the positive class, but the actual result or label is negative. Therefore, option A is correct. Option B represents a true positive, option C a true negative, and option D a false negative. Exam tip: in a false positive, the model’s positive prediction is incorrect.
कृत्रिम बुद्धिमत्ता परियोजना की शुरुआत समस्या-निर्धारण या समस्या को समझने से होती है। इस चरण में यह स्पष्ट किया जाता है कि किस समस्या का समाधान करना है, किसके लिए करना है और सफलता कैसे मापी जाएगी। इसके बाद ही उपयुक्त आँकड़े और मॉडल चुने जाते हैं। इसलिए परिणाम छापना या बिना आँकड़ों के मॉडल चलाना पहला चरण नहीं है। परीक्षा टिप: AI Project Cycle के चरणों में Problem Scoping को प्रारंभिक चरण के रूप में याद रखें। / An artificial intelligence project begins with problem scoping, which means clearly understanding and defining the problem. This includes identifying what must be solved, for whom, and how success will be measured. Suitable data and models are selected only after this step, so immediately printing results or running a model without data cannot be the first stage. Exam tip: Remember Problem Scoping as the starting stage of the AI Project Cycle.
A. मॉडल बनाने और विश्लेषण करने के लिए आवश्यक जानकारी प्राप्त करने हेतु/To obtain information needed to build models and perform analysis
Explanation
Simple Explanation
आंकड़ा संग्रहण का उद्देश्य समस्या से संबंधित प्रासंगिक और विश्वसनीय जानकारी प्राप्त करना है। यही आंकड़े AI मॉडल को प्रशिक्षित करने तथा उनका विश्लेषण करने में उपयोग किए जाते हैं। समस्या छिपाना, मॉडल को बिना परीक्षण बंद करना या आंकड़े हटाना संग्रहण के उद्देश्य नहीं हैं। परीक्षा-युक्ति: AI परियोजना चक्र में आंकड़ा संग्रहण के बाद आंकड़ों की समझ और तैयारी की जाती है। / Data collection is done to obtain relevant and reliable information about the problem. This data is used to train AI models and perform analysis. Hiding the problem, shutting down an untested model, or deleting data is not the purpose of collection. Exam tip: In the AI project cycle, data collection is followed by understanding and preparing the data.
A. समस्या को व्यवस्थित रूप से समझने के लिए/To understand a problem in an organized way
Explanation
Simple Explanation
समस्या कैनवास समस्या को उसके प्रमुख पहलुओं, जैसे प्रभावित लोग, हितधारक, कारण और प्रभाव, के साथ व्यवस्थित रूप से समझने में सहायता करता है। इसलिए विकल्प A सही है। विकल्प B इसका एक महत्वपूर्ण भाग है, लेकिन समस्या कैनवास का पूरा उद्देश्य केवल हितधारकों की पहचान करना नहीं है। यह समाधान का अंतिम प्रोग्राम या विज्ञापन बनाने के लिए उपयोग नहीं होता। परीक्षा टिप: समस्या-निर्धारण चरण में समस्या को स्पष्ट और व्यवस्थित करने वाले उपकरणों को पहचानें। / A problem canvas helps organize and understand the major aspects of a problem, such as the affected people, stakeholders, causes, and impact. Therefore, option A is correct. Identifying stakeholders, mentioned in option B, is only one part of the canvas, not its complete purpose. It is not used to write the final program or create an advertisement. Exam tip: In the problem-scoping stage, choose tools that clarify and organize the problem before developing a solution.
A. वह व्यक्ति या समूह जो परियोजना से प्रभावित होता है या उसमें रुचि रखता है/A person or group affected by or interested in a project
Explanation
Simple Explanation
हितधारक वह व्यक्ति या समूह होता है जो किसी परियोजना से प्रभावित होता है, उसमें रुचि रखता है या उसके परिणामों से जुड़ा होता है। इसलिए विकल्प A सही है। केवल प्रोग्राम लिखने वाला व्यक्ति ही हितधारक नहीं होता; उपयोगकर्ता, ग्राहक और समुदाय भी हितधारक हो सकते हैं। परीक्षा-टिप: समस्या-निर्धारण के समय सभी संबंधित हितधारकों की आवश्यकताओं को पहचानें। / A stakeholder is a person or group that is affected by a project, has an interest in it, or is connected with its outcomes. Therefore, option A is correct. A stakeholder is not limited to the programmer; users, customers, and the wider community may also be stakeholders. Exam tip: Identify the needs of all relevant stakeholders during problem scoping.
A. अनुमति लेना और गोपनीयता की रक्षा करना/Taking consent and protecting privacy
Explanation
Simple Explanation
नैतिक आंकड़ा संग्रहण में लोगों को जानकारी देकर उनकी सहमति लेना और उनकी निजी जानकारी की सुरक्षा करना आवश्यक है। इसलिए विकल्प A सही है। विकल्प B और C पारदर्शिता तथा गोपनीयता के सिद्धांतों का उल्लंघन करते हैं, जबकि विकल्प D आंकड़ों की विश्वसनीयता नष्ट करता है। परीक्षा टिप: व्यक्तिगत आंकड़ों से जुड़े प्रश्नों में सहमति, गोपनीयता और पारदर्शिता को नैतिकता के मुख्य सिद्धांत मानें। / Ethical data collection requires informing people, obtaining their consent, and protecting their personal information. Therefore, option A is correct. Options B and C violate privacy and transparency principles, while option D makes the data unreliable. Exam tip: For questions about personal data, look for consent, privacy, and transparency as the key ethical principles.
A. वे सटीक और प्रासंगिक होते हैं/They are accurate and relevant
Explanation
Simple Explanation
अच्छे आंकड़े सटीक और समस्या से संबंधित होते हैं, इसलिए उनसे प्राप्त विश्लेषण और AI मॉडल के परिणाम अधिक विश्वसनीय बनते हैं। अधूरे, जानबूझकर गलत या बिना स्रोत के आंकड़े गुणवत्ता को कम करते हैं। परीक्षा-टिप: अच्छे आंकड़ों की प्रमुख विशेषताओं में सटीकता, प्रासंगिकता, पूर्णता और विश्वसनीय स्रोत शामिल हैं। / Good data are accurate and relevant to the problem, making analysis and AI model results more reliable. Incomplete, deliberately incorrect, or unsourced data reduce data quality. Exam tip: Remember accuracy, relevance, completeness, and a reliable source as key characteristics of good data.
आंकड़ा स्रोत चुनते समय उसकी विश्वसनीयता जांचना आवश्यक है, क्योंकि विश्वसनीय स्रोत से प्राप्त आंकड़े अधिक सटीक और भरोसेमंद होने की संभावना रखते हैं। केवल रंग, कुर्सी का आकार या फाइल का संगीत आंकड़े की गुणवत्ता निर्धारित नहीं करते। परीक्षा में स्रोत की विश्वसनीयता को आंकड़ों की सटीकता और गुणवत्ता से जोड़कर याद रखें। / The reliability of a data source must be checked because data from a trustworthy source are more likely to be accurate and dependable. The color, chair size, or music of a file does not determine data quality. In an exam, connect source reliability with the accuracy and quality of the data.
A. उद्देश्य, सीमाएँ और आवश्यकताओं को समझने के लिए/To understand the objectives, limitations, and requirements
Explanation
Simple Explanation
समस्या का क्षेत्र स्पष्ट करने से परियोजना का उद्देश्य, दायरा, लक्षित उपयोगकर्ता और आवश्यकताएँ निर्धारित होती हैं। इससे टीम सही डेटा और उपयुक्त समाधान पर ध्यान केंद्रित कर पाती है। इसलिए विकल्प A सही है; आंकड़े मिटाना, बिना योजना काम शुरू करना या परिणाम छिपाना समस्या-निर्धारण का उद्देश्य नहीं है। परीक्षा-युक्ति: AI परियोजना चक्र में समस्या का क्षेत्र स्पष्ट करना योजना और समाधान-विकास की आधारभूत शुरुआत है। / Clarifying the problem scope defines the project’s objectives, boundaries, target users, and requirements. This helps the team focus on the right data and an appropriate solution. Therefore, option A is correct; deleting data, starting without planning, or hiding results is not the purpose of problem scoping. Exam tip: In the AI Project Cycle, defining the problem scope is the foundation for planning and developing a solution.
A. स्पष्ट, संक्षिप्त और मापने योग्य/Clear, concise, and measurable
Explanation
Simple Explanation
एक अच्छा समस्या कथन समस्या को स्पष्ट और संक्षिप्त रूप में परिभाषित करता है तथा उसके समाधान की सफलता को मापने योग्य बनाता है। विकल्प B, C और D समस्या की दिशा, उद्देश्य या विश्वसनीय आधार स्पष्ट नहीं करते। परीक्षा-युक्ति: समस्या कथन में समस्या, लक्षित उपयोगकर्ता और अपेक्षित परिणाम यथासंभव स्पष्ट होने चाहिए। / A good problem statement defines the problem clearly and concisely and makes the success of its solution measurable. Options B, C, and D do not provide a clear direction, purpose, or reliable basis for the project. Exam tip: A problem statement should clearly indicate the problem, the target users, and the expected outcome whenever possible.
A. समस्या से प्रभावित लोगों की जरूरत समझने में/In understanding the needs of people affected by the problem
Explanation
Simple Explanation
हितधारक वे व्यक्ति या समूह होते हैं जो समस्या, प्रस्तावित समाधान या उसके परिणाम से प्रभावित होते हैं। उनकी पहचान करने से उनकी आवश्यकताओं और अपेक्षाओं को समझकर अधिक उपयुक्त समाधान बनाया जा सकता है। इसलिए समस्या-निर्धारण और परियोजना-योजना के शुरुआती चरण में यह विशेष रूप से उपयोगी है। अन्य विकल्प परियोजना-प्रबंधन के अनुचित या असंबंधित कार्य हैं। परीक्षा युक्ति: हितधारक पहचान को हमेशा उपयोगकर्ता की जरूरतों और समस्या के प्रभाव से जोड़कर याद रखें। / Stakeholders are people or groups affected by the problem, the proposed solution, or its outcomes. Identifying them helps the team understand their needs and expectations, leading to a more suitable solution. This is especially useful during the early stages of problem scoping and project planning. The other options describe inappropriate or unrelated actions. Exam tip: Link stakeholder identification with understanding users’ needs and the impact of the problem.
A. यह जाँचने के लिए कि परियोजना का परिणाम अपेक्षित लक्ष्य पूरा करता है या नहीं/To check whether the project result meets the expected goal
Explanation
Simple Explanation
सफलता मापदंड पहले से यह स्पष्ट करते हैं कि परियोजना का अच्छा या स्वीकार्य परिणाम कैसा होना चाहिए। इनके आधार पर मॉडल या समाधान के प्रदर्शन की जाँच की जाती है और पता चलता है कि निर्धारित लक्ष्य पूरा हुआ या नहीं। इसलिए विकल्प A सही है; अन्य विकल्प परियोजना-चक्र के उद्देश्य के विपरीत हैं। परीक्षा-युक्ति: सफलता मापदंड को परियोजना के परिणाम के मूल्यांकन के मानक के रूप में याद रखें। / Success criteria define in advance what an acceptable or effective project result should look like. They are used to evaluate the performance of the AI model or solution and determine whether the stated goal has been achieved. Therefore, option A is correct; the other options contradict the purpose of the AI project cycle. Exam tip: Remember that success criteria are the standards used to evaluate a project’s outcome.
A. विश्वसनीय और प्रासंगिक आंकड़े प्राप्त करने के लिए/To obtain reliable and relevant data
Explanation
Simple Explanation
स्रोत पहले तय करने से यह सुनिश्चित किया जा सकता है कि एकत्र किए जाने वाले आंकड़े विषय से संबंधित, विश्वसनीय और पर्याप्त गुणवत्ता वाले हों। गलत या असंगत स्रोतों से पक्षपाती अथवा गलत निष्कर्ष निकल सकते हैं। विकल्प B गलत है, क्योंकि आंकड़ों की मात्रा से अधिक उनकी प्रासंगिकता और गुणवत्ता महत्वपूर्ण है। परीक्षा-युक्ति: स्रोत चुनते समय उसकी विश्वसनीयता, प्रासंगिकता और प्रामाणिकता जाँचें। / Deciding the sources in advance helps ensure that the collected data is relevant to the topic, reliable, and of sufficient quality. Incorrect or inconsistent sources may produce biased or inaccurate conclusions. Option B is incorrect because the relevance and quality of data matter more than collecting unnecessary quantities. Exam tip: Check a source for reliability, relevance, and authenticity before using it.
A. लोगों की राय और अनुभव/People's opinions and experiences
Explanation
Simple Explanation
सर्वेक्षण में प्रश्न पूछकर लोगों से उनके विचार, अनुभव, पसंद या आवश्यकताओं की जानकारी ली जाती है। इसलिए यह लोगों की राय और अनुभव जैसे प्राथमिक आंकड़े जुटाने का उपयुक्त तरीका है। मशीन का तापमान, नेटवर्क की गति और मिट्टी की नमी सामान्यतः उपकरणों या सेंसरों से सीधे मापे जाते हैं, सर्वेक्षण से नहीं। परीक्षा-टिप: लोगों से प्रश्नावली या साक्षात्कार द्वारा मिली जानकारी को सर्वेक्षण-आधारित प्राथमिक आंकड़ा पहचानें। / A survey collects information by asking people about their opinions, experiences, preferences, or needs. Therefore, people's opinions and experiences are suitable examples of primary data collected through a survey. Machine temperature, network speed, and soil moisture are normally measured directly using instruments or sensors, not surveys. Exam tip: Identify information obtained from people through questionnaires or interviews as survey-based primary data.
A. सीधे स्रोत से नए जुटाए गए आंकड़े/New data collected directly from the source
Explanation
Simple Explanation
प्राथमिक आंकड़े वे मौलिक आंकड़े हैं जिन्हें किसी उद्देश्य के लिए सीधे मूल स्रोत, जैसे लोगों या घटनाओं, से एकत्र किया जाता है। सर्वेक्षण और साक्षात्कार इसके सामान्य उदाहरण हैं। पुराने समाचार से लिए गए आंकड़े द्वितीयक आंकड़े कहलाते हैं, इसलिए विकल्प B सही नहीं है। परीक्षा में याद रखें: सीधे एकत्र किए गए आंकड़े = प्राथमिक आंकड़े। / Primary data are original data collected directly from the source, such as people or events, for a specific purpose. Surveys and interviews are common examples. Data copied from old news are secondary data, so option B is incorrect. Exam tip: directly collected data = primary data.
A. पहले से उपलब्ध स्रोतों से लिए गए आंकड़े/Data taken from already available sources
Explanation
Simple Explanation
द्वितीयक आंकड़े वे आंकड़े हैं जो पहले किसी अन्य व्यक्ति या संस्था द्वारा एकत्र किए जा चुके हों और बाद में पुस्तकों, सरकारी रिपोर्टों, शोध-पत्रों या विश्वसनीय वेबसाइटों जैसे उपलब्ध स्रोतों से लिए जाएं। विकल्प B प्राथमिक आंकड़ों का उदाहरण है, क्योंकि वे सीधे व्यक्ति से नए रूप में एकत्र किए जाते हैं। परीक्षा टिप: आंकड़े स्वयं एकत्र किए जाएं तो प्राथमिक, और पहले से उपलब्ध स्रोत से लिए जाएं तो द्वितीयक आंकड़े कहलाते हैं। / Secondary data are data previously collected by another person or organisation and later obtained from existing sources such as books, government reports, research papers, or reliable websites. Option B describes primary data because it is newly collected directly from a person. Exam tip: data collected firsthand are primary, while data obtained from existing sources are secondary.
A. विश्लेषण पक्षपाती हो सकता है/Analysis can become biased
Explanation
Simple Explanation
दोहराए गए आंकड़े किसी मान या श्रेणी को वास्तविकता से अधिक बार दिखा सकते हैं। इससे विश्लेषण के परिणाम पक्षपाती हो सकते हैं और मशीन लर्निंग मॉडल गलत पैटर्न सीख सकता है। इसलिए डेटा सफाई के दौरान डुप्लिकेट रिकॉर्ड की पहचान करना और आवश्यक होने पर उन्हें हटाना महत्वपूर्ण है। परीक्षा-युक्ति: डुप्लिकेट डेटा को डेटा गुणवत्ता की समस्या मानें, न कि स्वतः सुधरने वाली स्थिति। / Duplicate records can make a value or category appear more frequently than it actually does. This may bias the analysis and cause a machine learning model to learn incorrect patterns. Therefore, duplicate records should be identified and removed when appropriate during data cleaning. Exam tip: Treat duplicate data as a data-quality problem, not as something that corrects itself.
A. कच्चे आंकड़ों को उपयोग के लिए तैयार करना/To prepare raw data for use
Explanation
Simple Explanation
आंकड़ा पूर्वप्रसंस्करण में कच्चे आंकड़ों की त्रुटियों को ठीक करना, अधूरे मानों को संभालना और आंकड़ों को एक समान प्रारूप में बदलना शामिल होता है। इसलिए इसका मुख्य उद्देश्य कच्चे आंकड़ों को विश्लेषण या मॉडल-प्रशिक्षण के लिए उपयोग योग्य बनाना है। विकल्प D गलत है, क्योंकि पूर्वप्रसंस्करण में केवल अनुपयोगी या अनावश्यक विशेषताएं हटाई जा सकती हैं, सभी विशेषताएं नहीं। परीक्षा-युक्ति: preprocessing को modeling से पहले data cleaning और transformation के चरण के रूप में याद रखें। / Data preprocessing involves correcting errors, handling missing values, and converting raw data into a consistent format. Its main purpose is therefore to make raw data suitable for analysis or model training. Option D is incorrect because preprocessing may remove only irrelevant or redundant features, not all features. Exam tip: remember preprocessing as the data-cleaning and transformation stage performed before modeling.
A. मानों को एक समान पैमाने पर लाने के लिए/To bring values to a common scale
Explanation
Simple Explanation
सामान्यीकरण में अलग-अलग विशेषताओं के मानों को एक समान या तुलनीय पैमाने पर बदला जाता है। इससे बड़े संख्यात्मक मान वाली विशेषता मॉडल पर अनावश्यक रूप से अधिक प्रभाव नहीं डालती और मशीन लर्निंग का प्रशिक्षण अधिक संतुलित हो सकता है। इसलिए A सही है; सभी मान हटाना या गलत आंकड़े बनाना सामान्यीकरण का उद्देश्य नहीं है। परीक्षा-युक्ति: सामान्यीकरण को data preprocessing की वह प्रक्रिया याद रखें जो feature values को common scale पर लाती है। / Normalization transforms values of different features to a common or comparable scale. This prevents a feature with numerically larger values from having an undue influence on the model and can make machine-learning training more balanced. Therefore, A is correct; deleting values or creating incorrect data is not the purpose of normalization. Exam tip: Remember normalization as a data-preprocessing step that brings feature values to a common scale.
A. क्योंकि कई विधियां संख्यात्मक इनपुट लेती हैं/Because many methods take numerical input
Explanation
Simple Explanation
कई मशीन लर्निंग और डेटा-प्रोसेसिंग विधियां सीधे संख्यात्मक इनपुट पर काम करती हैं। इसलिए लिंग, रंग या श्रेणी जैसे पाठ-आधारित मानों को लेबल एन्कोडिंग या वन-हॉट एन्कोडिंग जैसी तकनीकों से संख्यात्मक रूप में बदला जाता है। इसका उद्देश्य शब्दों को गलत बताना नहीं, बल्कि मॉडल के लिए डेटा को उपयुक्त बनाना है। परीक्षा-युक्ति: श्रेणीबद्ध डेटा को संख्याओं में बदलने की प्रक्रिया को एन्कोडिंग कहते हैं। / Many machine-learning and data-processing methods operate directly on numerical input. Therefore, text-based values such as gender, colour, or category are converted into numerical representations using techniques such as label encoding or one-hot encoding. The purpose is not that words are wrong, but to make the data suitable for the method. Exam tip: Converting categorical values into numbers is called encoding.
A. वर्गीकरण श्रेणी या वर्ग बताता है, जबकि पूर्वानुमान संख्यात्मक मान बताता है/Classification predicts a category or class, whereas regression predicts a numerical value
Explanation
Simple Explanation
वर्गीकरण में मशीन लर्निंग मॉडल डेटा को अलग-अलग श्रेणियों या वर्गों में रखता है, जैसे ईमेल को ‘स्पैम’ या ‘स्पैम नहीं’ बताना। पूर्वानुमान, अर्थात् regression, सामान्यतः निरंतर संख्यात्मक मान देता है, जैसे घर की कीमत का अनुमान। इसलिए विकल्प A सही है; विकल्प B में दोनों विधियों की भूमिकाएँ उलट दी गई हैं। परीक्षा-युक्ति: वर्गीकरण को discrete class और regression को continuous number से जोड़कर याद रखें। / In classification, a machine learning model assigns data to categories or classes, such as labelling an email as spam or not spam. Regression, or numerical prediction, generally produces a continuous numerical value, such as an estimated house price. Therefore, option A is correct; option B reverses the roles of the two methods. Exam tip: remember classification as a discrete class and regression as a continuous number.
A. नए आंकड़ों पर प्रतिरूप की क्षमता जांचने के लिए/To check the model’s ability on new data
Explanation
Simple Explanation
प्रतिरूप प्रशिक्षण आंकड़ों से पैटर्न सीखता है, जबकि परीक्षण आंकड़े उसके लिए पहले से अनदेखे उदाहरण होने चाहिए। दोनों को अलग रखने पर प्रतिरूप की नई आंकड़ों पर सामान्यीकरण क्षमता और वास्तविक प्रदर्शन का निष्पक्ष आकलन किया जा सकता है। यदि परीक्षण आंकड़े प्रशिक्षण में शामिल कर दिए जाएँ, तो प्रतिरूप उन पर अत्यधिक अनुकूलित हो सकता है और प्रदर्शन कृत्रिम रूप से बेहतर दिखाई देगा। परीक्षा-युक्ति: परीक्षण आंकड़ों का उपयोग अंतिम मूल्यांकन के लिए करें, प्रशिक्षण के लिए नहीं। / A model learns patterns from the training data, while the testing data should remain unseen during training. Keeping them separate allows a fair assessment of how well the model generalizes to new data. If test data are included in training, the model may overfit them and appear to perform better than it would on genuinely unseen examples. Exam tip: Use test data for final evaluation, not for training.
A. नकारात्मक बताया और वास्तविकता भी नकारात्मक थी/Predicted negative and actual was also negative
Explanation
Simple Explanation
सत्य नकारात्मक (True Negative, TN) तब होता है जब मॉडल किसी उदाहरण को नकारात्मक बताता है और वास्तविक वर्ग भी नकारात्मक होता है। इसलिए यह भ्रम सारणी में सही वर्गीकरण है। विकल्प B सत्य सकारात्मक, C मिथ्या सकारात्मक और D मिथ्या नकारात्मक को दर्शाते हैं। परीक्षा-युक्ति: TN को “negative को सही पहचानना” याद रखें। / A true negative (TN) occurs when the model predicts the negative class and the actual class is also negative. It is therefore a correct classification in the confusion matrix. Option B is true positive, C is false positive, and D is false negative. Exam tip: remember TN as correctly identifying a negative case.
A. सकारात्मक अनुमानित परिणामों में से वास्तविक सकारात्मक परिणामों का अनुपात/The proportion of predicted positives that are actually positive
Explanation
Simple Explanation
परिशुद्धता यह मापती है कि मॉडल ने जिन परिणामों को सकारात्मक बताया, उनमें से कितने वास्तव में सकारात्मक थे। इसका सूत्र TP/(TP+FP) है, जहाँ FP गलत सकारात्मक परिणाम हैं। विकल्प B रिकॉल को दर्शाता है, क्योंकि वह सभी वास्तविक सकारात्मक मामलों में से पहचाने गए मामलों पर ध्यान देता है। परीक्षा-युक्ति: परिशुद्धता का संबंध गलत सकारात्मक परिणामों को कम करने से जोड़कर याद रखें। / Precision measures how many of the results predicted as positive are actually positive. Its formula is TP/(TP+FP), where FP represents false positives. Option B describes recall because it focuses on the actual positive cases that were identified. Exam tip: associate precision with reducing false-positive predictions.
A. वास्तविक सकारात्मक मामलों में से कितने सही पहचाने गए/How many actual positive cases were correctly identified
Explanation
Simple Explanation
पुनःस्मरण सभी वास्तविक सकारात्मक मामलों में से सही पहचाने गए मामलों का अनुपात मापता है। इसका सूत्र \(\text{Recall} = \frac{TP}{TP+FN}\) है, जहाँ \(TP\) सही सकारात्मक और \(FN\) गलत नकारात्मक मामलों को दर्शाते हैं। विकल्प B परिशुद्धता, विकल्प C सटीकता और विकल्प D विशिष्टता को दर्शाता है। परीक्षा-युक्ति: “वास्तविक सकारात्मक मामलों में से” वाक्यांश पुनःस्मरण की पहचान कराता है। / Recall measures the proportion of all actual positive cases that the model correctly identifies. Its formula is \(\text{Recall} = \frac{TP}{TP+FN}\), where \(TP\) denotes true positives and \(FN\) denotes false negatives. Option B describes precision, option C describes accuracy, and option D describes specificity. Exam tip: the phrase “out of the actual positive cases” points to recall.
A. अलग परीक्षण आंकड़ों से प्रदर्शन जांचना/Check performance using separate test data
Explanation
Simple Explanation
अधिक सीखने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के पैटर्न, यहाँ तक कि उनमें मौजूद शोर, को भी याद कर लेता है और नए आंकड़ों पर खराब प्रदर्शन कर सकता है। अलग परीक्षण आंकड़ों पर प्रदर्शन जांचने से मॉडल की सामान्यीकरण क्षमता का निष्पक्ष आकलन होता है। केवल प्रशिक्षण आंकड़ों पर जांच करना गलत है, क्योंकि उससे overfitting छिप सकता है। परीक्षा-टिप: प्रशिक्षण, सत्यापन और परीक्षण आंकड़ों को अलग रखना मॉडल मूल्यांकन का महत्वपूर्ण नियम है। / In overfitting, a model learns the training patterns too closely, including noise, and may perform poorly on new data. Checking its performance on separate test data gives a more reliable estimate of its generalization ability. Evaluating only on training data can hide overfitting, so option B is incorrect. Exam tip: Keep training, validation, and test data separate when evaluating a model.
A. विविध और संतुलित आंकड़ों का उपयोग करना/Use diverse and balanced data
Explanation
Simple Explanation
विविध और संतुलित आंकड़े अलग-अलग समूहों का उचित प्रतिनिधित्व करते हैं, इसलिए मॉडल के निर्णयों में किसी एक समूह के पक्ष या विरोध का पूर्वाग्रह घट सकता है। केवल एक समूह के आंकड़े लेने से मॉडल की निष्पक्षता कम हो सकती है, जबकि गलत आंकड़े बनाना और परिणामों की जांच न करना पूर्वाग्रह को बढ़ा सकता है। परीक्षा टिप: AI में निष्पक्षता सुधारने के लिए प्रतिनिधित्वपूर्ण आंकड़े और परिणामों की नियमित जांच दोनों महत्वपूर्ण हैं। / Using diverse and balanced data gives fair representation to different groups and can reduce a model's bias for or against any one group. Using data from only one group can make the model less fair, while creating incorrect data or failing to check results can increase bias. Exam tip: Improving AI fairness requires both representative data and regular evaluation of the results.
A. सीख और सुधार के अवसर पहचानने के लिए/To identify learning and improvement opportunities
Explanation
Simple Explanation
अंतिम समीक्षा में परियोजना के लक्ष्य, परिणाम, त्रुटियों और उपयोगकर्ता प्रतिक्रिया का मूल्यांकन किया जाता है। इसलिए यह सीख तथा सुधार के अवसर पहचानने में सहायक होती है। विकल्प B गलत है, क्योंकि समीक्षा का उद्देश्य परिणामों की जाँच करना है; विकल्प C और D भी पारदर्शिता तथा त्रुटि-सुधार के विपरीत हैं। परीक्षा-युक्ति: अंतिम समीक्षा को परियोजना से सीख लेकर अगले चक्र को बेहतर बनाने वाला चरण याद रखें। / A final review evaluates the project’s goals, results, errors, and user feedback. Therefore, it helps identify learning and opportunities for improvement. Option B is incorrect because review requires checking the results, while C and D contradict transparency and error correction. Exam tip: remember final review as the stage that uses project learning to improve the next cycle.
B. समस्या उद्देश्य और सीमा स्पष्ट करना/To clarify the problem goal and scope
Explanation
Simple Explanation
समस्या निर्धारण AI परियोजना चक्र का प्रारंभिक चरण है। इसमें समस्या का उद्देश्य, अपेक्षित परिणाम और कार्य-सीमा स्पष्ट की जाती है, ताकि परियोजना सही दिशा में आगे बढ़े। इसलिए विकल्प B सही है। विकल्प D गलत है, क्योंकि किसी प्रतिरूप को लागू करने से पहले उसका परीक्षण आवश्यक होता है। परीक्षा में याद रखें: स्पष्ट समस्या-सीमा आगे के डेटा अधिग्रहण और मॉडल निर्माण को निर्देशित करती है। / Problem scoping is an initial stage of the AI project cycle. It defines the problem goal, expected outcome, and boundaries so that the project proceeds in the right direction. Therefore, option B is correct. Option D is incorrect because a model must be tested before deployment. Exam tip: a clearly scoped problem guides later data collection and model development.
A. ताकि सफलता की जांच की जा सके/So that success can be checked
Explanation
Simple Explanation
मापने योग्य लक्ष्य सफलता के स्पष्ट मानदंड निर्धारित करता है। इससे समाधान लागू करने के बाद उसके परिणामों की तुलना लक्ष्य से करके पता लगाया जा सकता है कि समस्या कितनी प्रभावी ढंग से हल हुई। अस्पष्ट लक्ष्य का मूल्यांकन नहीं किया जा सकता। परीक्षा में याद रखें: measurable goal का संबंध evaluation और success measurement से है। / A measurable goal sets a clear criterion for success. After the solution is implemented, its results can be compared with the goal to determine how effectively the problem was solved. An unclear goal cannot be evaluated reliably. Exam tip: associate a measurable goal with evaluation and measuring success.
A. आंकड़ों को व्यवस्थित स्रोतों से प्राप्त करना/Getting data from organized sources
Explanation
Simple Explanation
आंकड़ा अधिग्रहण का अर्थ किसी समस्या या परियोजना के लिए आवश्यक आंकड़ों को उपयुक्त और व्यवस्थित स्रोतों से एकत्र करना है। इसलिए विकल्प A सही है। आंकड़ों को नष्ट करना या प्रतिरूप को बंद करना अधिग्रहण की प्रक्रिया नहीं है। परीक्षा में याद रखें: डेटा-आधारित मॉडल बनाने से पहले प्रासंगिक और विश्वसनीय आंकड़े जुटाए जाते हैं। / Data acquisition means collecting the information required for a problem or project from suitable and organized sources. Therefore, option A is correct. Destroying data or closing a model is not part of acquisition. Exam tip: Relevant and reliable data are gathered before building a data-driven model.
A. ताकि वह वास्तविक समूह की विशेषताओं को सही ढंग से दर्शा सके/So it can accurately reflect the characteristics of the real group
Explanation
Simple Explanation
प्रतिनिधि नमूना बड़े वास्तविक समूह की महत्वपूर्ण विशेषताओं को उचित रूप से दर्शाता है। इससे नमूने से निकाले गए निष्कर्ष पूरे समूह पर अधिक विश्वसनीय रूप से लागू किए जा सकते हैं। विकल्प C गलत है, क्योंकि प्रतिनिधि नमूना पक्षपात को कम कर सकता है, लेकिन हर प्रकार के पक्षपात को पूरी तरह समाप्त करने की गारंटी नहीं देता। परीक्षा-युक्ति: नमूना प्रतिनिधि हो तो निष्कर्ष अधिक विश्वसनीय और सामान्यीकृत होते हैं। / A representative sample properly reflects the important characteristics of the larger real group. Therefore, conclusions drawn from the sample can be applied to the whole group more reliably. Option C is incorrect because a representative sample can reduce bias, but it cannot guarantee that every type of bias is completely eliminated. Exam tip: A representative sample supports more reliable and generalisable conclusions.
B. केवल एक समूह का अधिक प्रतिनिधित्व/Overrepresentation of only one group
Explanation
Simple Explanation
आंकड़ों में पक्षपात तब आ सकता है जब किसी एक समूह का प्रतिनिधित्व बहुत अधिक और अन्य समूहों का बहुत कम हो। ऐसी स्थिति में आंकड़े पूरी आबादी की वास्तविक विविधता नहीं दिखाते और उनसे बने निष्कर्ष उस अधिक प्रतिनिधित्व वाले समूह की ओर झुक सकते हैं। संतुलित प्रतिनिधित्व, विविध स्रोत और नियमित जांच पक्षपात कम करने में सहायता करते हैं। परीक्षा-युक्ति: जिस विकल्प में किसी समूह का असंतुलित या अधिक प्रतिनिधित्व हो, उसे डेटा-पक्षपात के संभावित कारण के रूप में पहचानें। / Bias can arise when one group is overrepresented and other groups are underrepresented in the data. In that case, the data do not reflect the true diversity of the population, so conclusions may favour the overrepresented group. Balanced representation, diverse sources, and regular data checks help reduce bias. Exam tip: Identify an imbalanced or one-sided representation of groups as a likely cause of data bias.
A. आंकड़ों की संरचना, संबंधों और समस्याओं को समझना/To understand the structure, relationships, and problems in the data
Explanation
Simple Explanation
आंकड़ा अन्वेषण में आंकड़ों की संरचना, प्रकार, वितरण, संबंध और संभावित त्रुटियों का प्रारंभिक अध्ययन किया जाता है। इसलिए विकल्प A सही है। विकल्प B के विपरीत, आंकड़ों को बिना जाँचे उपयोग करने से गलत निष्कर्ष निकल सकते हैं। परीक्षा-युक्ति: मॉडल बनाने से पहले डेटा में पैटर्न, असामान्य मान और समस्याएँ अवश्य जाँचें। / Data exploration is the preliminary study of a dataset’s structure, types, distribution, relationships, and possible errors. Therefore, option A is correct. Unlike option B, using data without examining it can lead to incorrect conclusions. Exam tip: Before building a model, check the data for patterns, unusual values, and quality problems.
A. समस्या के प्रकार और आंकड़ों की प्रकृति/Type of problem and nature of data
Explanation
Simple Explanation
सही प्रतिरूप का चयन समस्या के उद्देश्य, जैसे वर्गीकरण, प्रतिगमन या क्लस्टरिंग, और उपलब्ध आंकड़ों की प्रकृति पर निर्भर करता है। कंप्यूटर का रंग, कुर्सी की ऊंचाई या फाइल का नाम प्रतिरूप की उपयुक्तता को प्रभावित नहीं करते। परीक्षा-युक्ति: प्रतिरूप चुनते समय समस्या का प्रकार और आंकड़ों की विशेषताएँ पहले पहचानें। / The appropriate model depends on the objective of the problem—such as classification, regression, or clustering—and on the nature of the available data. The computer’s color, chair height, and file name do not affect model suitability. Exam tip: Identify the problem type and the characteristics of the data before choosing a model.
A. प्रशिक्षण के दौरान प्रतिरूप का चयन और उसकी समायोजन-संरचना तय करने के लिए/To select a model and tune its settings during training
Explanation
Simple Explanation
सत्यापन आंकड़ों का उपयोग प्रशिक्षण के दौरान अलग-अलग प्रतिरूपों या हाइपरपैरामीटरों की तुलना करके सबसे उपयुक्त प्रतिरूप और उसकी सेटिंग चुनने के लिए किया जाता है। विकल्प B, C और D का प्रतिरूप के मूल्यांकन से कोई संबंध नहीं है। परीक्षा-युक्ति: प्रशिक्षण आंकड़े प्रतिरूप सीखने के लिए, सत्यापन आंकड़े चयन और समायोजन के लिए तथा परीक्षण आंकड़े अंतिम निष्पक्ष मूल्यांकन के लिए होते हैं। / Validation data are used during model development to compare models or hyperparameter settings and select the most suitable one. Options B, C, and D are unrelated to model evaluation. Exam tip: training data teach the model, validation data guide model selection and tuning, and test data provide the final unbiased evaluation.
A. जब वर्ग अत्यधिक असंतुलित हों/When classes are highly imbalanced
Explanation
Simple Explanation
अत्यधिक असंतुलित वर्गों में एक वर्ग के नमूने बहुत अधिक होते हैं। यदि मॉडल हर बार बहुसंख्यक वर्ग का अनुमान लगाए, तो उसकी सटीकता ऊँची दिख सकती है, जबकि अल्पसंख्यक वर्ग की पहचान खराब हो सकती है। इसलिए ऐसे मामलों में परिशुद्धता, पुनःस्मरण और F1-स्कोर भी जाँचने चाहिए। समान आकार वाले वर्गों में केवल बहुसंख्यक वर्ग का अनुमान लगाने से यह भ्रम सामान्यतः नहीं होता। परीक्षा-टिप: असंतुलित वर्गों के संकेत मिलें तो केवल accuracy पर निर्भर न रहें। / With highly imbalanced classes, one class contains far more samples than the others. A model that always predicts the majority class may achieve high accuracy while detecting the minority class poorly. Therefore, precision, recall, and the F1-score should also be checked. This issue is generally less misleading when the classes have nearly equal sizes. Exam tip: when class imbalance is present, do not rely on accuracy alone.
A. परिशुद्धता और पुनःस्मरण के बीच संतुलन का मूल्यांकन करने में/To evaluate the balance between precision and recall
Explanation
Simple Explanation
F1 स्कोर परिशुद्धता (precision) और पुनःस्मरण (recall) का हार्मोनिक माध्य होता है, इसलिए यह दोनों मापों के बीच संतुलन का एकल मान देता है। जब false positives और false negatives दोनों महत्त्वपूर्ण हों, विशेषकर असंतुलित वर्गों वाले डेटा में, तब यह उपयोगी होता है। केवल accuracy को पर्याप्त मान लेना ऐसे मामलों में भ्रामक हो सकता है। परीक्षा-युक्ति: F1 स्कोर तभी अधिक होगा जब precision और recall दोनों अच्छे हों। / The F1 score is the harmonic mean of precision and recall, so it provides a single measure of their balance. It is useful when both false positives and false negatives matter, especially with imbalanced datasets. Relying only on accuracy can be misleading in such cases. Exam tip: The F1 score is high only when both precision and recall are high.
A. प्रशिक्षण आंकड़ों पर बहुत अच्छा, लेकिन नए आंकड़ों पर कमजोर प्रदर्शन/Very good performance on training data but weak performance on new data
Explanation
Simple Explanation
अधिक सीख जाने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के पैटर्न, और कभी-कभी उनकी विशिष्ट बातें, याद कर लेता है। इसलिए प्रशिक्षण आंकड़ों पर उसका प्रदर्शन बहुत अच्छा रहता है, लेकिन नए या परीक्षण आंकड़ों पर प्रदर्शन कमजोर हो जाता है। विकल्प B सामान्यीकरण का संकेत है, अधिक सीख जाने का नहीं। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण प्रदर्शन के बीच बड़ा अंतर दिखे, तो overfitting की जाँच करें। / In overfitting, a model learns the training data too specifically and may partly memorize it. As a result, it performs very well on the training data but poorly on unseen or test data. Option B indicates good generalization, not overfitting. Exam tip: A large gap between training and test performance is a common sign of overfitting.
A. नए आंकड़ों पर भी सही काम करने की क्षमता/Ability to work well on new data
Explanation
Simple Explanation
सामान्यीकरण का अर्थ है कि मशीन लर्निंग प्रतिरूप प्रशिक्षण के दौरान देखे गए आंकड़ों के अलावा नए और अनदेखे आंकड़ों पर भी सही भविष्यवाणी करे। इसलिए विकल्प A सही है। केवल पुराने उदाहरण याद रखना सामान्यीकरण नहीं, बल्कि अतिअनुकूलन (overfitting) का संकेत हो सकता है। परीक्षा टिप: प्रतिरूप का सामान्यीकरण जाँचने के लिए उसे परीक्षण आंकड़ों पर परखें। / Generalization means that a machine-learning model makes accurate predictions on new, unseen data in addition to the data used during training. Therefore, option A is correct. Merely memorizing old examples is not generalization; it may indicate overfitting. Exam tip: Evaluate generalization by testing the model on separate test data.
A. प्रक्रिया, निर्णयों और परिणामों का व्यवस्थित रिकॉर्ड रखने के लिए/To maintain a systematic record of the process, decisions, and results
Explanation
Simple Explanation
दस्तावेजीकरण में परियोजना के चरणों, लिए गए निर्णयों, उपयोग किए गए आँकड़ों और प्राप्त परिणामों का रिकॉर्ड रखा जाता है। इससे टीम प्रक्रिया को दोहरा, जाँच और आवश्यकतानुसार सुधार सकती है। इसलिए विकल्प A सही है; विकल्प D गलत है क्योंकि अच्छा दस्तावेजीकरण मॉडल की समीक्षा और सुधार में सहायता करता है। परीक्षा-युक्ति: AI परियोजना चक्र में रिकॉर्ड रखना पारदर्शिता, पुनरुत्पादन और सुधार के लिए आवश्यक समझें। / Documentation records the project stages, decisions made, data used, and results obtained. This allows the team to review, reproduce, and improve the work when needed. Therefore, option A is correct; option D is incorrect because proper documentation supports model evaluation and improvement rather than preventing it. Exam tip: In the AI project cycle, associate documentation with transparency, reproducibility, and continuous improvement.
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. 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. 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.
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. 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.
