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. 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.
