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
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.
