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. मानव मस्तिष्क में परस्पर जुड़ी तंत्रिका कोशिकाओं की कार्यप्रणाली/The functioning of interconnected nerve cells in the human brain
Explanation
Simple Explanation
तंत्रिका जाल मानव मस्तिष्क की परस्पर जुड़ी तंत्रिका कोशिकाओं (न्यूरॉन्स) से प्रेरित मॉडल है। इसमें कृत्रिम न्यूरॉन आपस में जुड़े होते हैं और उदाहरणों से पैटर्न सीखने के लिए उनके संबंधों के भार बदलते हैं। कंप्यूटर का निर्देश चक्र क्रमिक निर्देशों का निष्पादन है, इसलिए वह तंत्रिका जाल की मूल प्रेरणा नहीं है। परीक्षा टिप: न्यूरल नेटवर्क के लिए ‘न्यूरॉन’, ‘कनेक्शन’ और ‘वेट’ शब्द याद रखें। / A neural network is modelled on interconnected nerve cells (neurons) in the human brain. Its artificial neurons are connected, and the weights of these connections are adjusted to learn patterns from examples. A CPU instruction cycle executes instructions sequentially; it is not the biological inspiration for neural networks. Exam tip: Associate neural networks with neurons, connections, and weights.
A. इनपुट डेटा को क्रमिक रूप से संसाधित करके आउटपुट उत्पन्न करना/To process input data sequentially and produce an output
Explanation
Simple Explanation
कृत्रिम तंत्रिका जाल में इनपुट परत डेटा प्राप्त करती है, छिपी हुई परतें उसमें से उपयोगी विशेषताएँ और पैटर्न सीखती हैं, तथा आउटपुट परत अंतिम भविष्यवाणी या वर्गीकरण देती है। इसलिए परतों का मुख्य कार्य इनपुट को चरणबद्ध ढंग से संसाधित करके परिणाम तक पहुँचाना है। डेटा को केवल संग्रहित करना परतों का कार्य नहीं है। परीक्षा टिप: इनपुट, हिडन और आउटपुट परतों के क्रम को याद रखें। / In an artificial neural network, the input layer receives data, hidden layers learn useful features and patterns, and the output layer gives the final prediction or classification. Therefore, layers process input step by step to produce an output. They do not merely store data permanently. Exam tip: Remember the sequence: input layer, hidden layer(s), and output layer.
A. गलत या पक्षपातपूर्ण निर्णयों और संभावित जोखिमों को कम करने के लिए/To reduce incorrect or biased decisions and potential risks
Explanation
Simple Explanation
मानव निगरानी से AI द्वारा दिए गए निर्णयों की जांच की जा सकती है और गलत, पक्षपातपूर्ण या जोखिमपूर्ण परिणामों को समय रहते सुधारा जा सकता है। विकल्प B गलत है, क्योंकि बिना जांच के निर्णय लेने से जोखिम बढ़ता है; विकल्प C और D AI नैतिकता के विरुद्ध कार्य हैं। परीक्षा टिप: AI के संवेदनशील उपयोगों में मानव की अंतिम समीक्षा और जवाबदेही महत्वपूर्ण मानी जाती है। / Human supervision allows people to review AI decisions and correct incorrect, biased, or risky outcomes in time. Option B is wrong because removing review increases risk, while options C and D describe unethical practices rather than the purpose of supervision. Exam tip: In sensitive AI applications, human review and accountability are essential.
A. इनपुट के प्रभाव को नियंत्रित करने वाला मान/A value that controls the influence of an input
Explanation
Simple Explanation
तंत्रिका जाल में भार किसी इनपुट के प्रभाव या महत्त्व को नियंत्रित करता है। प्रशिक्षण के दौरान इन भारों के मान बदले जाते हैं, ताकि जाल सही परिणाम देना सीख सके। विकल्प B गलत है, क्योंकि भार इनपुट की संख्या नहीं बताता। परीक्षा में याद रखें: भार इनपुट को गुणांक की तरह प्रभावित करता है। / In a neural network, a weight controls the influence or importance of an input. During training, these weight values are adjusted so that the network can learn to produce better results. Option B is incorrect because a weight does not indicate the number of inputs. Exam tip: remember that a weight acts like a coefficient applied to an input.
A. निर्णय सीमा को समायोजित करने में/In adjusting the decision boundary
Explanation
Simple Explanation
पक्षपात मान न्यूरॉन के भारित इनपुट में एक अतिरिक्त पद जोड़ता है। इससे सक्रियण सीमा बदलती है और मॉडल निर्णय सीमा को स्थानांतरित या समायोजित कर सकता है। सक्रियण फलन, भारों का प्रारंभिक मान और अधिगम दर अलग-अलग घटक या हाइपरपैरामीटर हैं। परीक्षा-युक्ति: bias को उस समायोजन के रूप में याद रखें जो सभी इनपुट शून्य होने पर भी न्यूरॉन के आउटपुट को प्रभावित कर सकता है। / A bias value adds an additional term to a neuron's weighted input. This changes the activation threshold, allowing the model to shift or adjust its decision boundary. Choosing the activation function, initializing weights, and setting the learning rate are separate components or hyperparameters. Exam tip: remember bias as an adjustable offset that can affect a neuron's output even when all inputs are zero.
A. तंत्रिका जाल में अरेखीयता जोड़ना/To add nonlinearity to a neural network
Explanation
Simple Explanation
सक्रियण फलन न्यूरॉन के भारित योग पर लागू होकर तंत्रिका जाल में अरेखीयता जोड़ता है। अरेखीयता के बिना कई परतों वाला जाल भी केवल एक रैखिक रूपांतरण की तरह व्यवहार कर सकता है और जटिल पैटर्न नहीं सीख पाता। इसलिए विकल्प A सही है; अन्य विकल्प कंप्यूटर या डेटा प्रबंधन से संबंधित हैं, सक्रियण फलन के कार्य से नहीं। परीक्षा टिप: activation function को neural network की nonlinearity से जोड़कर याद रखें। / An activation function is applied to a neuron's weighted sum and introduces nonlinearity into the neural network. Without nonlinearity, even a multilayer network may behave like a single linear transformation and fail to learn complex patterns. Therefore, option A is correct; the other options concern computer or data management tasks, not activation functions. Exam tip: associate an activation function with nonlinearity in a neural network.
A. अनुमान और वास्तविक परिणाम के बीच त्रुटि या अंतर/The error or difference between the prediction and the actual result
Explanation
Simple Explanation
हानि मान मॉडल के अनुमान और वास्तविक परिणाम के बीच त्रुटि की मात्रा बताता है। हानि जितनी कम होती है, अनुमान सामान्यतः उतना ही वास्तविक परिणाम के निकट होता है। यह संगणक की कीमत या फाइलों की संख्या नहीं मापता। परीक्षा-युक्ति: मॉडल प्रशिक्षण में हानि को कम करना प्रमुख लक्ष्य होता है। / The loss value measures the amount of error between a model’s prediction and the actual result. A lower loss generally means that the prediction is closer to the actual result. It does not measure the computer’s price or the number of files. Exam tip: Minimizing loss is a key objective during model training.
A. प्रतिरूप सही समाधान के पास स्थिर नहीं हो पाता/The model may not settle near the correct solution
Explanation
Simple Explanation
अधिगम दर यह निर्धारित करती है कि प्रत्येक चरण में मॉडल के पैरामीटर कितनी मात्रा में बदलेंगे। यदि यह बहुत अधिक हो, तो मॉडल न्यूनतम त्रुटि वाले समाधान को पार कर सकता है और बार-बार इधर-उधर उछलता रह सकता है या प्रशिक्षण अस्थिर हो सकता है। इसलिए A सही है; उच्च अधिगम दर से प्रशिक्षण अपने-आप पूर्णतः सही नहीं होता। परीक्षा टिप: बहुत कम दर से प्रशिक्षण धीमा, जबकि बहुत अधिक दर से प्रशिक्षण अस्थिर हो सकता है। / The learning rate determines how much the model parameters change in each update. If it is too high, the model can overshoot the minimum-error solution and keep oscillating, making training unstable. Therefore, A is correct; a high learning rate does not make training automatically perfect. Exam tip: a very low rate makes training slow, while a very high rate can make it unstable.
A. प्रशिक्षण बहुत धीमा हो सकता है/Training can become very slow
Explanation
Simple Explanation
बहुत कम अधिगम दर में मॉडल के पैरामीटर प्रत्येक चरण में बहुत छोटे-छोटे बदलाव करते हैं। इसलिए मॉडल को हानि कम करने वाले उपयुक्त मान तक पहुँचने में अधिक समय लग सकता है और प्रशिक्षण बहुत धीमा हो जाता है। विकल्प B गलत है, क्योंकि मॉडल को सीखने के लिए आंकड़ों की आवश्यकता होती है। परीक्षा-टिप: बहुत अधिक अधिगम दर से प्रशिक्षण अस्थिर हो सकता है, जबकि बहुत कम दर से प्रशिक्षण धीमा होता है। / With a very low learning rate, the model’s parameters change only by very small amounts at each step. Therefore, it may take much longer to reach suitable values that reduce the loss, making training very slow. Option B is incorrect because a model needs data to learn. Exam tip: a learning rate that is too high can make training unstable, while one that is too low makes training slow.
A. निर्णय का कारण समझाया जा सके/The reason for a decision can be explained
Explanation
Simple Explanation
व्याख्येयता का अर्थ है कि कृत्रिम बुद्धिमत्ता प्रणाली अपने निष्कर्ष या निर्णय के पीछे का कारण स्पष्ट कर सके। इसलिए विकल्प A सही है। विकल्प B इसका ठीक विपरीत है, जबकि C और D व्याख्येयता से संबंधित नहीं हैं। परीक्षा-युक्ति: explainability को “निर्णय के कारण को समझा पाना” के रूप में याद रखें। / Explainability means that an artificial intelligence system can make the reason behind its conclusion or decision understandable. Therefore, option A is correct. Option B states the opposite, while C and D are unrelated to explainability. Exam tip: Remember explainability as “making the reason for a decision understandable.”
प्रशिक्षण के दौरान प्रतिरूप के पूर्वानुमानों की तुलना वास्तविक लक्ष्यों से की जाती है। इस अंतर को मापने वाली मात्रा हानि या त्रुटि कहलाती है, और अनुकूलन विधि इसे कम करने के लिए प्रतिरूप के मापदंडों को बदलती है। अधिगम दर केवल मापदंडों के बदलने की गति नियंत्रित करती है; इसे स्वयं कम करना प्रशिक्षण का मुख्य लक्ष्य नहीं है। परीक्षा-युक्ति: प्रशिक्षण का मूल उद्देश्य प्रायः loss function का मान घटाना होता है। / During training, a model’s predictions are compared with the actual target values. The difference measured by a loss function is the loss or error, and the optimization method adjusts the model’s parameters to reduce it. The learning rate only controls how quickly the parameters change; reducing it is not the main training objective. Exam tip: The basic objective of training is usually to minimize the loss function.
A. इनपुट से जटिल प्रतिरूप सीखना/Learning complex patterns from input
Explanation
Simple Explanation
छिपी परतें इनपुट और आउटपुट परतों के बीच स्थित होती हैं। इनके न्यूरॉन भार और सक्रियण फलन की सहायता से इनपुट विशेषताओं को क्रमशः बदलकर उपयोगी तथा जटिल प्रतिरूप सीखते हैं। केवल कच्चा इनपुट ग्रहण करना इनपुट परत का काम है, जबकि अंतिम वर्गीकरण या पूर्वानुमान सामान्यतः आउटपुट परत करती है। परीक्षा-युक्ति: इनपुट परत डेटा लेती है, छिपी परतें विशेषताएँ सीखती हैं और आउटपुट परत परिणाम देती है। / Hidden layers lie between the input and output layers. Using weights and activation functions, their neurons transform input features step by step to learn useful and complex patterns. Only receiving raw input is the role of the input layer, while producing the final classification or prediction is generally the role of the output layer. Exam tip: remember the sequence—input layer receives data, hidden layers learn features, and the output layer gives the result.
A. कई परतों वाले तंत्रिका जाल से/Neural networks with many layers
Explanation
Simple Explanation
गहन अधिगम कृत्रिम तंत्रिका जालों की अनेक परतों का उपयोग करके डेटा से जटिल पैटर्न सीखता है, इसलिए विकल्प A सही है। विकल्प B पारंपरिक नियम-आधारित प्रोग्रामिंग को दर्शाता है, गहन अधिगम को नहीं। चित्र और भाषा पहचान जैसे कार्यों में इसकी परतें उपयोगी होती हैं। परीक्षा-युक्ति: Deep learning को multilayer neural networks से जोड़कर याद रखें। / Deep learning uses multiple layers of artificial neural networks to learn complex patterns from data, so option A is correct. Option B describes manually programmed, rule-based systems rather than deep learning. These layers are useful in tasks such as image and language recognition. Exam tip: Associate deep learning with multilayer neural networks.
A. इनपुट से आउटपुट तक सूचना का आगे बढ़ना/Information moving from input to output
Explanation
Simple Explanation
अग्र प्रसारण में इनपुट डेटा तंत्रिका जाल की परतों से क्रमशः गुजरता हुआ आउटपुट तक पहुँचता है। इसलिए विकल्प A सही है। विकल्प B पीछे की दिशा में होने वाली प्रक्रिया का संकेत देता है, जो अग्र प्रसारण नहीं है। परीक्षा में याद रखें: forward propagation का अर्थ input से output की दिशा में गणना है। / In forward propagation, input data passes sequentially through the layers of a neural network and reaches the output. Therefore, option A is correct. Option B describes movement in the reverse direction, not forward propagation. Exam tip: remember that forward propagation performs computation from input to output.
A. त्रुटि के आधार पर भारों को समायोजित करना/To adjust weights based on the error
Explanation
Simple Explanation
पश्च प्रसारण में मॉडल की त्रुटि या loss से gradient की गणना करके उसे नेटवर्क में पीछे की दिशा में भेजा जाता है। इन gradients के आधार पर भारों को समायोजित किया जाता है, ताकि अगली बार मॉडल की भविष्यवाणी अधिक सटीक हो। इनपुट चित्र का आकार बदलना preprocessing का कार्य है, पश्च प्रसारण का नहीं। परीक्षा टिप: backpropagation को error gradients के आधार पर weights update करने से जोड़कर याद रखें। / Backpropagation calculates gradients from the model’s error or loss and propagates them backward through the network. These gradients are used to adjust the weights so that future predictions become more accurate. Resizing input images is a preprocessing task, not the purpose of backpropagation. Exam tip: remember backpropagation as updating weights using error gradients.
A. बाहरी जानकारी को जाल में ग्रहण करना/To receive external information into the network
Explanation
Simple Explanation
इनपुट परत तंत्रिका जाल में बाहरी डेटा, जैसे चित्र के पिक्सेल या सारणीबद्ध मान, को ग्रहण करके आगे की परतों तक पहुँचाती है। अंतिम परिणाम प्रदर्शित करना सामान्यतः आउटपुट परत का कार्य होता है, इसलिए विकल्प B गलत है। परीक्षा में याद रखें: डेटा का प्रवेश इनपुट परत से और भविष्यवाणी का निष्कर्ष आउटपुट परत से जुड़ा होता है। / The input layer receives external data, such as image pixels or tabular values, and passes it to the subsequent layers for processing. Displaying the final result is associated with the output layer, so option B is incorrect. Exam tip: remember that data enters through the input layer, while the prediction or conclusion comes from the output layer.
आउटपुट परत तंत्रिका जाल की अंतिम परत होती है और पिछली परतों से प्राप्त संसाधित जानकारी के आधार पर अंतिम भविष्यवाणी या परिणाम देती है। वर्गीकरण में यह किसी श्रेणी की संभावना या वर्ग-लेबल दे सकती है। विकल्प C मध्यवर्ती परतों का सामान्य कार्य है, जबकि विकल्प B और D आउटपुट परत के कार्य नहीं हैं। परीक्षा टिप: नेटवर्क की अंतिम परत का कार्य अंतिम भविष्यवाणी प्रस्तुत करना याद रखें। / The output layer is the final layer of a neural network. It uses the processed information from earlier layers to produce the final prediction or result. In classification, it may provide class probabilities or a class label. Extracting intermediate features is mainly the role of hidden layers, while passing raw input and collecting training data are not output-layer functions. Exam tip: associate the last layer with the network’s final prediction.
A. यह गैर-रैखिकता जोड़कर जटिल संबंधों को सीखने में मदद करता है/It helps learn complex relationships by adding nonlinearity
Explanation
Simple Explanation
सक्रियण फलन न्यूरॉन के आउटपुट में गैर-रैखिकता जोड़ता है। इससे तंत्रिका जाल केवल सीधी रेखा जैसे संबंधों तक सीमित नहीं रहता और जटिल पैटर्न सीख सकता है। आंकड़े मिटाना, नेटवर्क बंद करना या चित्र छिपाना सक्रियण फलन के कार्य नहीं हैं। परीक्षा टिप: सक्रियण फलन का मुख्य संबंध गैर-रैखिकता और जटिल पैटर्न सीखने से याद रखें। / An activation function introduces nonlinearity into a neuron's output. This allows a neural network to learn complex patterns instead of being limited to simple linear relationships. Deleting data, shutting down the network, or hiding images is not the role of an activation function. Exam tip: associate activation functions primarily with nonlinearity and learning complex patterns.
A. त्रुटि कम करके बेहतर अनुमान पाने के लिए/To reduce error and get better predictions
Explanation
Simple Explanation
प्रशिक्षण के दौरान नेटवर्क का अनुमान वास्तविक लक्ष्य से मिलाया जाता है और त्रुटि ज्ञात की जाती है। इस त्रुटि के आधार पर भार तथा पक्षपात को अद्यतन किया जाता है, ताकि मॉडल की हानि घटे और भविष्य के अनुमान अधिक सटीक हों। विकल्प C और D संरचना या सक्रियण-प्रकार से संबंधित हैं; वे सामान्यतः भार और पक्षपात के अद्यतन का उद्देश्य नहीं हैं। परीक्षा-युक्ति: भार इनपुट के प्रभाव को और पक्षपात प्रारंभिक समायोजन को नियंत्रित करता है। / During training, the network’s prediction is compared with the target and its error is measured. The weights and bias are then updated using this error so that the model’s loss decreases and future predictions become more accurate. Options C and D concern the network’s structure or activation function, not the usual purpose of updating weights and bias. Exam tip: weights control the influence of inputs, while bias provides an additional adjustable offset.
A. मॉडल के अनुमान और वास्तविक उत्तर के बीच अंतर मापना/To measure the difference between the model's prediction and the actual answer
Explanation
Simple Explanation
हानि फलन मॉडल के अनुमान और वास्तविक उत्तर के बीच त्रुटि या अंतर को एक संख्यात्मक मान में व्यक्त करता है। प्रशिक्षण के दौरान अनुकूलन एल्गोरिदम इस मान को घटाने के लिए मॉडल के पैरामीटर बदलता है। इसलिए इसका मुख्य कार्य डेटा बनाना या परिणाम प्रदर्शित करना नहीं, बल्कि मॉडल की भविष्यवाणी की गुणवत्ता मापना है। परीक्षा-युक्ति: कम हानि सामान्यतः वास्तविक उत्तर के अधिक निकट अनुमान को दर्शाती है। / A loss function expresses the error or difference between a model's prediction and the actual answer as a numerical value. During training, an optimization algorithm adjusts the model parameters to reduce this value. Thus, its main purpose is to measure prediction quality, not to create data or display results. Exam tip: Lower loss generally indicates predictions that are closer to the actual answers.
A. क्योंकि यह मॉडल के अद्यतन की गति और प्रशिक्षण की स्थिरता को प्रभावित करती है/Because it affects the model update speed and training stability
Explanation
Simple Explanation
अधिगम दर प्रत्येक चरण में मॉडल के भारों में होने वाले परिवर्तन का आकार निर्धारित करती है। बहुत बड़ी अधिगम दर से मॉडल न्यूनतम त्रुटि-बिंदु को पार कर सकता है और प्रशिक्षण अस्थिर हो सकता है, जबकि बहुत छोटी दर से प्रशिक्षण अत्यधिक धीमा हो जाता है। इसलिए ऐसी दर चुननी चाहिए जो सीखने की गति और स्थिरता के बीच संतुलन बनाए। परीक्षा-युक्ति: अधिगम दर को मॉडल के अपडेट-चरण के आकार के रूप में याद रखें। / The learning rate determines the size of the change made to the model’s weights at each update. If it is too high, the model may overshoot the minimum-error point and training can become unstable; if it is too low, training becomes unnecessarily slow. Therefore, it must balance learning speed and stability. Exam tip: remember the learning rate as the size of each model-update step.
