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. 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.
