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. 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.”
