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. कुल उत्तरों में सही उत्तरों का अनुपात/Ratio of correct answers among total answers
Explanation
Simple Explanation
सटीकता (Accuracy) कुल भविष्यवाणियों में सही भविष्यवाणियों का अनुपात है: सही भविष्यवाणियाँ ÷ कुल भविष्यवाणियाँ। इसलिए विकल्प A सही है। विकल्प B केवल गलत उत्तरों की संख्या बताता है, सटीकता नहीं। परीक्षा-युक्ति: वर्गीकरण मॉडल में Accuracy = (TP + TN) ÷ (TP + TN + FP + FN) याद रखें। / Accuracy is the proportion of correct predictions out of all predictions: correct predictions ÷ total predictions. Therefore, option A is correct. Option B gives only the number of incorrect answers, not the accuracy. Exam tip: For classification, remember Accuracy = (TP + TN) ÷ (TP + TN + FP + FN).
A. किसी व्यक्ति या समूह के पक्ष या विपक्ष में अनुचित झुकाव/An unfair tendency in favor of or against a person or group
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता में पक्षपात का अर्थ है कि किसी मॉडल या प्रणाली के निर्णय किसी व्यक्ति या समूह के पक्ष या विपक्ष में अनुचित रूप से झुक जाएँ। ऐसा असंतुलित, अपूर्ण या ऐतिहासिक रूप से पक्षपाती प्रशिक्षण आँकड़ों के कारण हो सकता है और इससे असमान परिणाम मिल सकते हैं। विकल्प B शुद्धता को दर्शाता है, जबकि C और D पक्षपात कम करने वाली निष्पक्ष स्थितियाँ हैं। परीक्षा-युक्ति: bias को unfair tendency या unequal treatment से जोड़कर याद रखें। / In artificial intelligence, bias means that a model or system’s decisions are unfairly tilted in favor of or against a person or group. It may arise from incomplete, unbalanced, or historically biased training data and can lead to unequal outcomes. Option B refers to accuracy, while C and D describe conditions that promote fairness rather than bias. Exam tip: associate bias with an unfair tendency or unequal treatment.
A. सुरक्षित, न्यायपूर्ण और पारदर्शी प्रणालियाँ बनाना/To build safe, fair, and transparent systems
Explanation
Simple Explanation
जिम्मेदार कृत्रिम बुद्धिमत्ता का लक्ष्य ऐसी प्रणालियाँ बनाना है जो सुरक्षित, निष्पक्ष और पारदर्शी हों तथा जिनके प्रभावों की जवाबदेही तय की जा सके। विकल्प C गलत है, क्योंकि जिम्मेदार AI में आवश्यक मानव निगरानी और नियंत्रण बनाए रखना महत्वपूर्ण है। परीक्षा-युक्ति: AI नैतिकता से जुड़े प्रश्नों में सुरक्षा, निष्पक्षता, पारदर्शिता और जवाबदेही जैसे सिद्धांतों को पहचानें। / The aim of responsible artificial intelligence is to create systems that are safe, fair, and transparent, with accountability for their effects. Option C is incorrect because responsible AI requires appropriate human oversight and control rather than eliminating them completely. Exam tip: In AI ethics questions, look for principles such as safety, fairness, transparency, and accountability.
A. यह जानने के लिए कि मॉडल कितना सही काम कर रहा है/To know how well the model is working
Explanation
Simple Explanation
प्रशिक्षण के बाद मूल्यांकन से पता चलता है कि मॉडल नए या परीक्षण डेटा पर कितने सही परिणाम दे रहा है। इससे उसकी त्रुटियों और सीमाओं की पहचान करके सुधार किया जा सकता है। विकल्प B, C और D मूल्यांकन के उद्देश्यों से संबंधित नहीं हैं। परीक्षा टिप: मॉडल की गुणवत्ता जाँचने और सुधारने के लिए मूल्यांकन चरण आवश्यक होता है। / Evaluation checks how accurately the trained model performs, especially on new or test data. It helps identify errors and limitations so the model can be improved. Options B, C, and D are unrelated to the purpose of evaluation. Exam tip: Evaluation is the step used to measure and improve a model’s performance.
क्लस्टरिंग में डेटा के उदाहरणों के साथ पहले से सही लेबल या उत्तर नहीं दिए जाते। एल्गोरिदम समान विशेषताओं वाले उदाहरणों को स्वयं समूहों में बाँटता है, इसलिए यह असुपरवाइज्ड लर्निंग का तरीका है। सुपरवाइज्ड लर्निंग में लेबलयुक्त डेटा आवश्यक होता है। परीक्षा में याद रखें: clustering में labels नहीं होते, जबकि classification में labels होते हैं। / In clustering, the examples are not provided with predefined correct labels or answers. The algorithm independently groups examples that have similar features, so clustering is an unsupervised learning method. Supervised learning requires labelled data. Exam tip: clustering uses unlabeled data, whereas classification uses labelled data.
A. नकारात्मक बताया लेकिन वास्तविकता सकारात्मक थी/Predicted negative but actual was positive
Explanation
Simple Explanation
झूठा नकारात्मक तब होता है जब मॉडल या परीक्षण परिणाम नकारात्मक बताए, जबकि वास्तविक स्थिति सकारात्मक हो। यह भ्रम-सारणी में False Negative (FN) है। विकल्प D झूठा सकारात्मक (False Positive) है, क्योंकि उसमें वास्तविक नकारात्मक स्थिति को सकारात्मक बताया जाता है। परीक्षा में याद रखें: FN = Predicted Negative, Actual Positive; ऐसे मामलों में वास्तविक सकारात्मक मामलों की पहचान छूट जाती है। / A false negative occurs when the model or test predicts a negative result even though the actual condition is positive. In a confusion matrix, this is represented as False Negative (FN). Option D is a false positive because it predicts positive when the actual condition is negative. Exam tip: remember FN as Predicted Negative, Actual Positive; it means a genuinely positive case was missed.
A. प्रश्नों या शर्तों के आधार पर शाखाओं का अनुसरण करके निर्णय लेना/Making decisions by following branches based on questions or conditions
Explanation
Simple Explanation
निर्णय वृक्ष में प्रत्येक आंतरिक नोड एक प्रश्न या शर्त को दर्शाता है, शाखाएँ संभावित उत्तरों या परिणामों को दिखाती हैं और अंतिम पत्ती निर्णय या वर्ग बताती है। इसलिए विकल्प A सही है। विकल्प B में डेटा को विभाजित करने की प्रक्रिया नहीं होती, जबकि विकल्प C और D निर्णय वृक्ष की मूल कार्यप्रणाली नहीं हैं। परीक्षा में याद रखें: जड़ से पत्ती तक का मार्ग प्रश्नों के क्रमिक उत्तरों से बनता है। / In a decision tree, each internal node represents a question or condition, the branches represent possible answers or outcomes, and a final leaf gives the decision or class. Therefore, option A is correct. Option B does not involve splitting data, while options C and D do not describe how a decision tree works. Exam tip: remember that the path from the root to a leaf is formed by answering conditions step by step.
A. मिलते-जुलते उदाहरणों के आधार पर निर्णय लेना/Deciding based on similar examples
Explanation
Simple Explanation
निकटतम पड़ोसी विधि में नए डेटा-बिंदु की तुलना प्रशिक्षण डेटा के उदाहरणों से की जाती है। सबसे अधिक समान या निकट उदाहरणों के आधार पर नए बिंदु का वर्ग या मान निर्धारित किया जाता है। इसलिए विकल्प A सही है; विकल्प B गलत है क्योंकि यह विधि उपलब्ध उदाहरणों पर निर्भर करती है। परीक्षा टिप: “निकटतम” का संबंध डेटा-बिंदुओं के बीच दूरी या समानता से याद रखें। / The nearest neighbor method compares a new data point with examples in the training data. The class or value of the new point is determined using the most similar or closest examples. Therefore, option A is correct; option B is incorrect because the method depends on existing examples. Exam tip: Associate “nearest” with the distance or similarity between data points.
A. क्योंकि समान उदाहरण एक समूह में रखे जाते हैं/Because similar examples are placed in one group
Explanation
Simple Explanation
क्लस्टरिंग एक असुपरवाइज्ड लर्निंग विधि है, जिसमें पहले से दिए गए वर्ग-लेबल नहीं होते। इसलिए डेटा-बिंदुओं की समानता या निकटता के आधार पर समान उदाहरणों को एक ही समूह में रखा जाता है। विकल्प B गलत है, क्योंकि उद्देश्य सभी उदाहरणों को अलग करना नहीं है; विकल्प C वर्गीकरण से संबंधित है। परीक्षा-युक्ति: क्लस्टरिंग में “समान डेटा साथ, असमान डेटा अलग” याद रखें। / Clustering is an unsupervised learning method in which class labels are not provided in advance. Data points are grouped according to their similarity or closeness, so similar examples are placed in the same cluster. Option B is incorrect because clustering does not aim to separate every example, while option C describes a labelled or supervised setting. Exam tip: remember “similar data together, dissimilar data apart.”
A. रोगी को रोग होते हुए भी स्वस्थ बताया जा सकता है/A sick patient may be marked as healthy
Explanation
Simple Explanation
झूठा नकारात्मक तब होता है जब वास्तव में रोगी व्यक्ति का परीक्षण परिणाम नकारात्मक आ जाए। इससे रोग की पहचान और उपचार में देरी हो सकती है, इसलिए स्वास्थ्य-जांच में यह गंभीर है। विकल्प B झूठा सकारात्मक है, क्योंकि उसमें स्वस्थ व्यक्ति को रोगी बताया जाता है। परीक्षा-युक्ति: रोग-पहचान में झूठे नकारात्मक कम रखने के लिए recall (संवेदनशीलता) महत्वपूर्ण होता है। / A false negative occurs when a person who actually has a disease receives a negative test result. This can delay diagnosis and treatment, making it serious in medical screening. Option B describes a false positive because it labels a healthy person as sick. Exam tip: recall, or sensitivity, is important when the goal is to miss as few diseases as possible.
वर्गीकरण प्रतिरूप इनपुट को पहले से निर्धारित श्रेणियों या वर्गों में बाँटता है। “रोगी या रोगी नहीं” दो वर्गों वाला परिणाम है, इसलिए यह द्विआधारी वर्गीकरण का उपयुक्त उदाहरण है। घर की कीमत, तापमान और विक्रय राशि संख्यात्मक सतत मान हैं, जिनका अनुमान सामान्यतः प्रतिगमन में लगाया जाता है। परीक्षा टिप: श्रेणीगत परिणाम वर्गीकरण और संख्यात्मक मान का अनुमान प्रतिगमन से संबंधित होता है। / A classification model assigns an input to one of the predefined categories or classes. “Sick or not sick” has two possible classes, so it is a suitable example of binary classification. House price, temperature, and sales amount are continuous numerical values, which are generally predicted using regression. Exam tip: Remember classification for categories and regression for numerical values.
A. सुव्यवस्थित अधिगम में इनपुट के साथ सही आउटपुट भी दिए जाते हैं/Supervised learning provides the correct output along with each input
Explanation
Simple Explanation
सुव्यवस्थित अधिगम में मॉडल को इनपुट डेटा के साथ उसके सही आउटपुट या लेबल भी दिए जाते हैं, इसलिए वह इनपुट और आउटपुट के बीच संबंध सीखता है। इसके विपरीत, अव्यवस्थित अधिगम में लेबल पहले से नहीं दिए जाते और मॉडल स्वयं डेटा में समूह या प्रतिरूप खोजता है। इसलिए विकल्प A सही है; विकल्प B अव्यवस्थित अधिगम की विशेषता को गलत बताता है। परीक्षा-युक्ति: supervised learning को labeled data और unsupervised learning को unlabeled data से जोड़कर याद रखें। / In supervised learning, the model receives input data along with the correct outputs or labels and learns the relationship between them. In contrast, unsupervised learning does not provide predefined labels; the model discovers groups or patterns in the data on its own. Therefore, option A is correct, while option B incorrectly assigns labels to unsupervised learning. Exam tip: associate supervised learning with labeled data and unsupervised learning with unlabeled data.
A. जब समान ग्राहकों के समूह खोजने हों/When groups of similar customers must be found
Explanation
Simple Explanation
समूह निर्माण (clustering) समान विशेषताओं वाले डेटा बिंदुओं को बिना पहले से दिए गए वर्ग-लेबल के समूहों में बाँटता है। इसलिए समान ग्राहकों के समूह, जैसे खरीदारी व्यवहार के आधार पर ग्राहक-वर्ग, खोजने के लिए यह उपयुक्त है। विकल्प B पर्यवेक्षित वर्गीकरण से संबंधित है, क्योंकि उसमें सही वर्ग पहले से ज्ञात होते हैं। परीक्षा-युक्ति: बिना लेबल वाले डेटा में पैटर्न या समूह खोजने की स्थिति में clustering चुनें। / Clustering groups data points with similar characteristics without using predefined class labels. Therefore, it is suitable for discovering groups of similar customers, such as customer segments based on purchasing behaviour. Option B describes supervised classification because the correct classes are already known. Exam tip: Choose clustering when the task is to discover patterns or groups in unlabeled data.
A. क्योंकि रोग वाले मामलों को पकड़ना जरूरी होता है/Because identifying diseased cases is important
Explanation
Simple Explanation
पुनःस्मरण (Recall) उन सभी वास्तविक रोगग्रस्त मामलों में से सही ढंग से पहचाने गए मामलों का अनुपात है। स्वास्थ्य जांच में रोगग्रस्त व्यक्ति को स्वस्थ बताकर छोड़ देना, यानी false negative, गंभीर परिणाम दे सकता है। इसलिए अधिक से अधिक रोगग्रस्त मामलों को पकड़ना महत्वपूर्ण होता है और पुनःस्मरण को प्राथमिकता दी जा सकती है। विकल्प B गलत है, क्योंकि गलत चेतावनियों को अनदेखा करना उद्देश्य नहीं होता; उन्हें कम करने के लिए precision भी देखी जाती है। परीक्षा-टिप: जब किसी बीमारी के मामले छूटना महंगा हो, तो recall पर विशेष ध्यान दें। / Recall is the proportion of actual diseased cases that are correctly identified. In medical screening, declaring a diseased person healthy—a false negative—can have serious consequences. Therefore, detecting as many diseased cases as possible may be prioritised, making recall especially important. Option B is incorrect because false alarms should not simply be ignored; precision is also considered to control them. Exam tip: Give special attention to recall when missing a positive case has serious consequences.
A. ताकि सामान्य संदेश गलती से अवांछित न माने जाएं/So normal messages are not wrongly marked as spam
Explanation
Simple Explanation
परिशुद्धता यह बताती है कि मॉडल द्वारा अवांछित बताए गए संदेशों में वास्तव में कितने अवांछित हैं। अधिक परिशुद्धता का अर्थ है कम गलत-सकारात्मक परिणाम, इसलिए सामान्य संदेशों के गलती से स्पैम फ़ोल्डर में जाने की संभावना घटती है। विकल्प B, C और D परिशुद्धता के उद्देश्य नहीं हैं। परीक्षा टिप: परिशुद्धता का संबंध predicted positive मामलों की शुद्धता से होता है। / Precision measures how many messages predicted as spam are actually spam. High precision means fewer false positives, reducing the chance that legitimate messages are incorrectly moved to the spam folder. Options B, C, and D are not purposes of precision. Exam tip: precision focuses on the correctness of predicted positive cases.
