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. 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.
समस्या निर्धारण (Problem Scoping) में समस्या, लक्ष्य और संबंधित लोगों की पहचान की जाती है। इसके बाद आवश्यक जानकारी या आंकड़े एकत्र करने का चरण, यानी आंकड़ा अधिग्रहण (Data Acquisition), आता है। अंतिम परिनियोजन बाद के चरणों में होता है, जबकि परिणाम छिपाना और संचिकाएँ हटाना परियोजना चक्र के मान्य चरण नहीं हैं। परीक्षा में परियोजना चक्र का क्रम याद रखें: समस्या निर्धारण → आंकड़ा अधिग्रहण → आंकड़ा अन्वेषण → मॉडलिंग → मूल्यांकन। / Problem scoping identifies the problem, goal, and stakeholders. The next stage is data acquisition, in which the information or data needed for the project is collected. Final deployment occurs later, while hiding results and deleting files are not recognised stages of the AI project cycle. Exam tip: remember the sequence as problem scoping → data acquisition → data exploration → modelling → evaluation.
A. परियोजना की दिशा अस्पष्ट हो सकती है/The project direction may become unclear
Explanation
Simple Explanation
समस्या निर्धारण में स्पष्ट उद्देश्य यह तय करने में सहायता करता है कि कौन-सी समस्या हल करनी है, कौन-से आंकड़े जुटाने हैं और सफलता को कैसे मापा जाएगा। उद्देश्य अस्पष्ट होने पर परियोजना की दिशा और कार्य-योजना भ्रमित हो सकती है। विकल्प B गलत है, क्योंकि अस्पष्ट लक्ष्य से प्रतिरूप अपने आप सही नहीं बनता। परीक्षा-युक्ति: समस्या निर्धारण में लक्ष्य, हितधारक और सफलता के मापदंड स्पष्ट करें। / In problem scoping, a clear goal helps determine which problem to solve, what data to collect, and how success will be measured. If the goal is unclear, the project direction and plan may become confused. Option B is incorrect because an unclear goal cannot make a model correct automatically. Exam tip: Clearly identify the goal, stakeholders, and success criteria during problem scoping.
A. समाधान लक्ष्य पूरा कर रहा है या नहीं/Whether the solution is meeting the goal
Explanation
Simple Explanation
सफलता संकेतक यह जाँचने के लिए निर्धारित मापदंड होते हैं कि परियोजना का समाधान अपने लक्ष्य और अपेक्षित परिणामों को पूरा कर रहा है या नहीं। फाइल का आकार तकनीकी विशेषता हो सकता है, लेकिन वह अपने-आप में परियोजना की सफलता नहीं बताता। परीक्षा में सफलता संकेतक को लक्ष्य-आधारित मूल्यांकन से जोड़कर याद रखें। / Success indicators are defined measures used to check whether a project’s solution is achieving its goal and expected outcomes. File size may be a technical characteristic, but it does not by itself show project success. In exams, associate success indicators with goal-based evaluation.
