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
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.
