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.
