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. 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.
