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. उद्देश्य, सीमाएँ और आवश्यकताओं को समझने के लिए/To understand the objectives, limitations, and requirements
Explanation
Simple Explanation
समस्या का क्षेत्र स्पष्ट करने से परियोजना का उद्देश्य, दायरा, लक्षित उपयोगकर्ता और आवश्यकताएँ निर्धारित होती हैं। इससे टीम सही डेटा और उपयुक्त समाधान पर ध्यान केंद्रित कर पाती है। इसलिए विकल्प A सही है; आंकड़े मिटाना, बिना योजना काम शुरू करना या परिणाम छिपाना समस्या-निर्धारण का उद्देश्य नहीं है। परीक्षा-युक्ति: AI परियोजना चक्र में समस्या का क्षेत्र स्पष्ट करना योजना और समाधान-विकास की आधारभूत शुरुआत है। / Clarifying the problem scope defines the project’s objectives, boundaries, target users, and requirements. This helps the team focus on the right data and an appropriate solution. Therefore, option A is correct; deleting data, starting without planning, or hiding results is not the purpose of problem scoping. Exam tip: In the AI Project Cycle, defining the problem scope is the foundation for planning and developing a solution.
A. स्पष्ट, संक्षिप्त और मापने योग्य/Clear, concise, and measurable
Explanation
Simple Explanation
एक अच्छा समस्या कथन समस्या को स्पष्ट और संक्षिप्त रूप में परिभाषित करता है तथा उसके समाधान की सफलता को मापने योग्य बनाता है। विकल्प B, C और D समस्या की दिशा, उद्देश्य या विश्वसनीय आधार स्पष्ट नहीं करते। परीक्षा-युक्ति: समस्या कथन में समस्या, लक्षित उपयोगकर्ता और अपेक्षित परिणाम यथासंभव स्पष्ट होने चाहिए। / A good problem statement defines the problem clearly and concisely and makes the success of its solution measurable. Options B, C, and D do not provide a clear direction, purpose, or reliable basis for the project. Exam tip: A problem statement should clearly indicate the problem, the target users, and the expected outcome whenever possible.
A. समस्या से प्रभावित लोगों की जरूरत समझने में/In understanding the needs of people affected by the problem
Explanation
Simple Explanation
हितधारक वे व्यक्ति या समूह होते हैं जो समस्या, प्रस्तावित समाधान या उसके परिणाम से प्रभावित होते हैं। उनकी पहचान करने से उनकी आवश्यकताओं और अपेक्षाओं को समझकर अधिक उपयुक्त समाधान बनाया जा सकता है। इसलिए समस्या-निर्धारण और परियोजना-योजना के शुरुआती चरण में यह विशेष रूप से उपयोगी है। अन्य विकल्प परियोजना-प्रबंधन के अनुचित या असंबंधित कार्य हैं। परीक्षा युक्ति: हितधारक पहचान को हमेशा उपयोगकर्ता की जरूरतों और समस्या के प्रभाव से जोड़कर याद रखें। / Stakeholders are people or groups affected by the problem, the proposed solution, or its outcomes. Identifying them helps the team understand their needs and expectations, leading to a more suitable solution. This is especially useful during the early stages of problem scoping and project planning. The other options describe inappropriate or unrelated actions. Exam tip: Link stakeholder identification with understanding users’ needs and the impact of the problem.
A. यह जाँचने के लिए कि परियोजना का परिणाम अपेक्षित लक्ष्य पूरा करता है या नहीं/To check whether the project result meets the expected goal
Explanation
Simple Explanation
सफलता मापदंड पहले से यह स्पष्ट करते हैं कि परियोजना का अच्छा या स्वीकार्य परिणाम कैसा होना चाहिए। इनके आधार पर मॉडल या समाधान के प्रदर्शन की जाँच की जाती है और पता चलता है कि निर्धारित लक्ष्य पूरा हुआ या नहीं। इसलिए विकल्प A सही है; अन्य विकल्प परियोजना-चक्र के उद्देश्य के विपरीत हैं। परीक्षा-युक्ति: सफलता मापदंड को परियोजना के परिणाम के मूल्यांकन के मानक के रूप में याद रखें। / Success criteria define in advance what an acceptable or effective project result should look like. They are used to evaluate the performance of the AI model or solution and determine whether the stated goal has been achieved. Therefore, option A is correct; the other options contradict the purpose of the AI project cycle. Exam tip: Remember that success criteria are the standards used to evaluate a project’s outcome.
A. विश्वसनीय और प्रासंगिक आंकड़े प्राप्त करने के लिए/To obtain reliable and relevant data
Explanation
Simple Explanation
स्रोत पहले तय करने से यह सुनिश्चित किया जा सकता है कि एकत्र किए जाने वाले आंकड़े विषय से संबंधित, विश्वसनीय और पर्याप्त गुणवत्ता वाले हों। गलत या असंगत स्रोतों से पक्षपाती अथवा गलत निष्कर्ष निकल सकते हैं। विकल्प B गलत है, क्योंकि आंकड़ों की मात्रा से अधिक उनकी प्रासंगिकता और गुणवत्ता महत्वपूर्ण है। परीक्षा-युक्ति: स्रोत चुनते समय उसकी विश्वसनीयता, प्रासंगिकता और प्रामाणिकता जाँचें। / Deciding the sources in advance helps ensure that the collected data is relevant to the topic, reliable, and of sufficient quality. Incorrect or inconsistent sources may produce biased or inaccurate conclusions. Option B is incorrect because the relevance and quality of data matter more than collecting unnecessary quantities. Exam tip: Check a source for reliability, relevance, and authenticity before using it.
A. लोगों की राय और अनुभव/People's opinions and experiences
Explanation
Simple Explanation
सर्वेक्षण में प्रश्न पूछकर लोगों से उनके विचार, अनुभव, पसंद या आवश्यकताओं की जानकारी ली जाती है। इसलिए यह लोगों की राय और अनुभव जैसे प्राथमिक आंकड़े जुटाने का उपयुक्त तरीका है। मशीन का तापमान, नेटवर्क की गति और मिट्टी की नमी सामान्यतः उपकरणों या सेंसरों से सीधे मापे जाते हैं, सर्वेक्षण से नहीं। परीक्षा-टिप: लोगों से प्रश्नावली या साक्षात्कार द्वारा मिली जानकारी को सर्वेक्षण-आधारित प्राथमिक आंकड़ा पहचानें। / A survey collects information by asking people about their opinions, experiences, preferences, or needs. Therefore, people's opinions and experiences are suitable examples of primary data collected through a survey. Machine temperature, network speed, and soil moisture are normally measured directly using instruments or sensors, not surveys. Exam tip: Identify information obtained from people through questionnaires or interviews as survey-based primary data.
A. सीधे स्रोत से नए जुटाए गए आंकड़े/New data collected directly from the source
Explanation
Simple Explanation
प्राथमिक आंकड़े वे मौलिक आंकड़े हैं जिन्हें किसी उद्देश्य के लिए सीधे मूल स्रोत, जैसे लोगों या घटनाओं, से एकत्र किया जाता है। सर्वेक्षण और साक्षात्कार इसके सामान्य उदाहरण हैं। पुराने समाचार से लिए गए आंकड़े द्वितीयक आंकड़े कहलाते हैं, इसलिए विकल्प B सही नहीं है। परीक्षा में याद रखें: सीधे एकत्र किए गए आंकड़े = प्राथमिक आंकड़े। / Primary data are original data collected directly from the source, such as people or events, for a specific purpose. Surveys and interviews are common examples. Data copied from old news are secondary data, so option B is incorrect. Exam tip: directly collected data = primary data.
A. पहले से उपलब्ध स्रोतों से लिए गए आंकड़े/Data taken from already available sources
Explanation
Simple Explanation
द्वितीयक आंकड़े वे आंकड़े हैं जो पहले किसी अन्य व्यक्ति या संस्था द्वारा एकत्र किए जा चुके हों और बाद में पुस्तकों, सरकारी रिपोर्टों, शोध-पत्रों या विश्वसनीय वेबसाइटों जैसे उपलब्ध स्रोतों से लिए जाएं। विकल्प B प्राथमिक आंकड़ों का उदाहरण है, क्योंकि वे सीधे व्यक्ति से नए रूप में एकत्र किए जाते हैं। परीक्षा टिप: आंकड़े स्वयं एकत्र किए जाएं तो प्राथमिक, और पहले से उपलब्ध स्रोत से लिए जाएं तो द्वितीयक आंकड़े कहलाते हैं। / Secondary data are data previously collected by another person or organisation and later obtained from existing sources such as books, government reports, research papers, or reliable websites. Option B describes primary data because it is newly collected directly from a person. Exam tip: data collected firsthand are primary, while data obtained from existing sources are secondary.
A. विश्लेषण पक्षपाती हो सकता है/Analysis can become biased
Explanation
Simple Explanation
दोहराए गए आंकड़े किसी मान या श्रेणी को वास्तविकता से अधिक बार दिखा सकते हैं। इससे विश्लेषण के परिणाम पक्षपाती हो सकते हैं और मशीन लर्निंग मॉडल गलत पैटर्न सीख सकता है। इसलिए डेटा सफाई के दौरान डुप्लिकेट रिकॉर्ड की पहचान करना और आवश्यक होने पर उन्हें हटाना महत्वपूर्ण है। परीक्षा-युक्ति: डुप्लिकेट डेटा को डेटा गुणवत्ता की समस्या मानें, न कि स्वतः सुधरने वाली स्थिति। / Duplicate records can make a value or category appear more frequently than it actually does. This may bias the analysis and cause a machine learning model to learn incorrect patterns. Therefore, duplicate records should be identified and removed when appropriate during data cleaning. Exam tip: Treat duplicate data as a data-quality problem, not as something that corrects itself.
A. कच्चे आंकड़ों को उपयोग के लिए तैयार करना/To prepare raw data for use
Explanation
Simple Explanation
आंकड़ा पूर्वप्रसंस्करण में कच्चे आंकड़ों की त्रुटियों को ठीक करना, अधूरे मानों को संभालना और आंकड़ों को एक समान प्रारूप में बदलना शामिल होता है। इसलिए इसका मुख्य उद्देश्य कच्चे आंकड़ों को विश्लेषण या मॉडल-प्रशिक्षण के लिए उपयोग योग्य बनाना है। विकल्प D गलत है, क्योंकि पूर्वप्रसंस्करण में केवल अनुपयोगी या अनावश्यक विशेषताएं हटाई जा सकती हैं, सभी विशेषताएं नहीं। परीक्षा-युक्ति: preprocessing को modeling से पहले data cleaning और transformation के चरण के रूप में याद रखें। / Data preprocessing involves correcting errors, handling missing values, and converting raw data into a consistent format. Its main purpose is therefore to make raw data suitable for analysis or model training. Option D is incorrect because preprocessing may remove only irrelevant or redundant features, not all features. Exam tip: remember preprocessing as the data-cleaning and transformation stage performed before modeling.
A. मानों को एक समान पैमाने पर लाने के लिए/To bring values to a common scale
Explanation
Simple Explanation
सामान्यीकरण में अलग-अलग विशेषताओं के मानों को एक समान या तुलनीय पैमाने पर बदला जाता है। इससे बड़े संख्यात्मक मान वाली विशेषता मॉडल पर अनावश्यक रूप से अधिक प्रभाव नहीं डालती और मशीन लर्निंग का प्रशिक्षण अधिक संतुलित हो सकता है। इसलिए A सही है; सभी मान हटाना या गलत आंकड़े बनाना सामान्यीकरण का उद्देश्य नहीं है। परीक्षा-युक्ति: सामान्यीकरण को data preprocessing की वह प्रक्रिया याद रखें जो feature values को common scale पर लाती है। / Normalization transforms values of different features to a common or comparable scale. This prevents a feature with numerically larger values from having an undue influence on the model and can make machine-learning training more balanced. Therefore, A is correct; deleting values or creating incorrect data is not the purpose of normalization. Exam tip: Remember normalization as a data-preprocessing step that brings feature values to a common scale.
A. क्योंकि कई विधियां संख्यात्मक इनपुट लेती हैं/Because many methods take numerical input
Explanation
Simple Explanation
कई मशीन लर्निंग और डेटा-प्रोसेसिंग विधियां सीधे संख्यात्मक इनपुट पर काम करती हैं। इसलिए लिंग, रंग या श्रेणी जैसे पाठ-आधारित मानों को लेबल एन्कोडिंग या वन-हॉट एन्कोडिंग जैसी तकनीकों से संख्यात्मक रूप में बदला जाता है। इसका उद्देश्य शब्दों को गलत बताना नहीं, बल्कि मॉडल के लिए डेटा को उपयुक्त बनाना है। परीक्षा-युक्ति: श्रेणीबद्ध डेटा को संख्याओं में बदलने की प्रक्रिया को एन्कोडिंग कहते हैं। / Many machine-learning and data-processing methods operate directly on numerical input. Therefore, text-based values such as gender, colour, or category are converted into numerical representations using techniques such as label encoding or one-hot encoding. The purpose is not that words are wrong, but to make the data suitable for the method. Exam tip: Converting categorical values into numbers is called encoding.
A. दो चरों के बीच संबंध की दिशा और शक्ति/Direction and strength of the relationship between two variables
Explanation
Simple Explanation
सहसंबंध दो चरों के बीच संबंध की दिशा और उसकी शक्ति को मापता है। धनात्मक सहसंबंध में दोनों चर सामान्यतः एक ही दिशा में बदलते हैं, जबकि ऋणात्मक सहसंबंध में विपरीत दिशा में। इसलिए विकल्प A सही है; अन्य विकल्प डेटा विश्लेषण में सहसंबंध की परिभाषा से संबंधित नहीं हैं। परीक्षा-युक्ति: सहसंबंध संबंध दर्शाता है, लेकिन इससे कारण-कार्य संबंध सिद्ध नहीं होता। / Correlation measures the direction and strength of the relationship between two variables. In positive correlation, the variables generally change in the same direction, while in negative correlation they change in opposite directions. Therefore, option A is correct; the other options are unrelated to the meaning of correlation in data analysis. Exam tip: correlation indicates association, but it does not by itself prove causation.
माध्य या अंकगणितीय औसत सभी मानों के योग को मानों की कुल संख्या से विभाजित करके प्राप्त किया जाता है। इसलिए यह आँकड़ों के सामान्य या औसत स्तर को दर्शाता है। सबसे छोटा और सबसे बड़ा मान क्रमशः न्यूनतम और अधिकतम मान कहलाते हैं, माध्य नहीं। परीक्षा में सूत्र याद रखें: माध्य = मानों का योग ÷ मानों की संख्या। / The mean, or arithmetic average, is calculated by dividing the sum of all values by the total number of values. Therefore, it represents the general or average level of the data. The smallest and largest values are the minimum and maximum, not the mean. Exam tip: Mean = sum of values ÷ number of values.
A. जब आंकड़ों में बहुत बड़े या छोटे बाहरी मान हों/When data have very large or small outliers
Explanation
Simple Explanation
मध्यक क्रमबद्ध आंकड़ों के बीच का मान होता है और बाहरी मानों से अपेक्षाकृत कम प्रभावित होता है। इसलिए जब आंकड़ों में बहुत बड़े या छोटे बाहरी मान हों, तब मध्यक केंद्रीय प्रवृत्ति का अधिक उपयुक्त प्रतिनिधि हो सकता है। इसके विपरीत, बिना आंकड़ों के मध्यक निकाला ही नहीं जा सकता। परीक्षा-युक्ति: बाहरी मानों की उपस्थिति में मध्यक चुनें, जबकि सामान्यतः माध्य बाहरी मानों से अधिक प्रभावित होता है। / The median is the middle value in an ordered dataset and is relatively less affected by extreme outliers. Therefore, it can represent the central tendency more suitably when data contain very large or very small outliers. In contrast, a median cannot be calculated when there is no data. Exam tip: Prefer the median in the presence of outliers, because the mean is more strongly affected by them.
A. सबसे अधिक बार आने वाला मान/The value that occurs most often
Explanation
Simple Explanation
बहुलक उस मान या श्रेणी को बताता है जो आँकड़ों में सबसे अधिक बार आती है। इसलिए विकल्प A सही है। यह सबसे बड़े या सबसे छोटे मान से अलग होता है और श्रेणीबद्ध आँकड़ों में भी उपयोगी है। परीक्षा-युक्ति: “most frequent” या “सबसे अधिक बार” दिखे, तो बहुलक याद करें। / The mode is the value or category that occurs most frequently in a data set, so option A is correct. It is different from the highest or lowest value and is also useful for categorical data. Exam tip: associate mode with “most frequent.”
A. वर्गीकरण श्रेणी या वर्ग बताता है, जबकि पूर्वानुमान संख्यात्मक मान बताता है/Classification predicts a category or class, whereas regression predicts a numerical value
Explanation
Simple Explanation
वर्गीकरण में मशीन लर्निंग मॉडल डेटा को अलग-अलग श्रेणियों या वर्गों में रखता है, जैसे ईमेल को ‘स्पैम’ या ‘स्पैम नहीं’ बताना। पूर्वानुमान, अर्थात् regression, सामान्यतः निरंतर संख्यात्मक मान देता है, जैसे घर की कीमत का अनुमान। इसलिए विकल्प A सही है; विकल्प B में दोनों विधियों की भूमिकाएँ उलट दी गई हैं। परीक्षा-युक्ति: वर्गीकरण को discrete class और regression को continuous number से जोड़कर याद रखें। / In classification, a machine learning model assigns data to categories or classes, such as labelling an email as spam or not spam. Regression, or numerical prediction, generally produces a continuous numerical value, such as an estimated house price. Therefore, option A is correct; option B reverses the roles of the two methods. Exam tip: remember classification as a discrete class and regression as a continuous number.
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. नए आंकड़ों पर प्रतिरूप की क्षमता जांचने के लिए/To check the model’s ability on new data
Explanation
Simple Explanation
प्रतिरूप प्रशिक्षण आंकड़ों से पैटर्न सीखता है, जबकि परीक्षण आंकड़े उसके लिए पहले से अनदेखे उदाहरण होने चाहिए। दोनों को अलग रखने पर प्रतिरूप की नई आंकड़ों पर सामान्यीकरण क्षमता और वास्तविक प्रदर्शन का निष्पक्ष आकलन किया जा सकता है। यदि परीक्षण आंकड़े प्रशिक्षण में शामिल कर दिए जाएँ, तो प्रतिरूप उन पर अत्यधिक अनुकूलित हो सकता है और प्रदर्शन कृत्रिम रूप से बेहतर दिखाई देगा। परीक्षा-युक्ति: परीक्षण आंकड़ों का उपयोग अंतिम मूल्यांकन के लिए करें, प्रशिक्षण के लिए नहीं। / A model learns patterns from the training data, while the testing data should remain unseen during training. Keeping them separate allows a fair assessment of how well the model generalizes to new data. If test data are included in training, the model may overfit them and appear to perform better than it would on genuinely unseen examples. Exam tip: Use test data for final evaluation, not for training.
A. नकारात्मक बताया और वास्तविकता भी नकारात्मक थी/Predicted negative and actual was also negative
Explanation
Simple Explanation
सत्य नकारात्मक (True Negative, TN) तब होता है जब मॉडल किसी उदाहरण को नकारात्मक बताता है और वास्तविक वर्ग भी नकारात्मक होता है। इसलिए यह भ्रम सारणी में सही वर्गीकरण है। विकल्प B सत्य सकारात्मक, C मिथ्या सकारात्मक और D मिथ्या नकारात्मक को दर्शाते हैं। परीक्षा-युक्ति: TN को “negative को सही पहचानना” याद रखें। / A true negative (TN) occurs when the model predicts the negative class and the actual class is also negative. It is therefore a correct classification in the confusion matrix. Option B is true positive, C is false positive, and D is false negative. Exam tip: remember TN as correctly identifying a negative case.
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. सकारात्मक अनुमानित परिणामों में से वास्तविक सकारात्मक परिणामों का अनुपात/The proportion of predicted positives that are actually positive
Explanation
Simple Explanation
परिशुद्धता यह मापती है कि मॉडल ने जिन परिणामों को सकारात्मक बताया, उनमें से कितने वास्तव में सकारात्मक थे। इसका सूत्र TP/(TP+FP) है, जहाँ FP गलत सकारात्मक परिणाम हैं। विकल्प B रिकॉल को दर्शाता है, क्योंकि वह सभी वास्तविक सकारात्मक मामलों में से पहचाने गए मामलों पर ध्यान देता है। परीक्षा-युक्ति: परिशुद्धता का संबंध गलत सकारात्मक परिणामों को कम करने से जोड़कर याद रखें। / Precision measures how many of the results predicted as positive are actually positive. Its formula is TP/(TP+FP), where FP represents false positives. Option B describes recall because it focuses on the actual positive cases that were identified. Exam tip: associate precision with reducing false-positive predictions.
A. वास्तविक सकारात्मक मामलों में से कितने सही पहचाने गए/How many actual positive cases were correctly identified
Explanation
Simple Explanation
पुनःस्मरण सभी वास्तविक सकारात्मक मामलों में से सही पहचाने गए मामलों का अनुपात मापता है। इसका सूत्र \(\text{Recall} = \frac{TP}{TP+FN}\) है, जहाँ \(TP\) सही सकारात्मक और \(FN\) गलत नकारात्मक मामलों को दर्शाते हैं। विकल्प B परिशुद्धता, विकल्प C सटीकता और विकल्प D विशिष्टता को दर्शाता है। परीक्षा-युक्ति: “वास्तविक सकारात्मक मामलों में से” वाक्यांश पुनःस्मरण की पहचान कराता है। / Recall measures the proportion of all actual positive cases that the model correctly identifies. Its formula is \(\text{Recall} = \frac{TP}{TP+FN}\), where \(TP\) denotes true positives and \(FN\) denotes false negatives. Option B describes precision, option C describes accuracy, and option D describes specificity. Exam tip: the phrase “out of the actual positive cases” points to recall.
A. अलग परीक्षण आंकड़ों से प्रदर्शन जांचना/Check performance using separate test data
Explanation
Simple Explanation
अधिक सीखने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के पैटर्न, यहाँ तक कि उनमें मौजूद शोर, को भी याद कर लेता है और नए आंकड़ों पर खराब प्रदर्शन कर सकता है। अलग परीक्षण आंकड़ों पर प्रदर्शन जांचने से मॉडल की सामान्यीकरण क्षमता का निष्पक्ष आकलन होता है। केवल प्रशिक्षण आंकड़ों पर जांच करना गलत है, क्योंकि उससे overfitting छिप सकता है। परीक्षा-टिप: प्रशिक्षण, सत्यापन और परीक्षण आंकड़ों को अलग रखना मॉडल मूल्यांकन का महत्वपूर्ण नियम है। / In overfitting, a model learns the training patterns too closely, including noise, and may perform poorly on new data. Checking its performance on separate test data gives a more reliable estimate of its generalization ability. Evaluating only on training data can hide overfitting, so option B is incorrect. Exam tip: Keep training, validation, and test data separate when evaluating a model.
A. चित्रों को एक समान आकार में लाने के लिए/To bring images to a common size
Explanation
Simple Explanation
आकार बदलने से चित्र की चौड़ाई और ऊँचाई निर्धारित मान के अनुरूप हो जाती है। इससे कंप्यूटर विज़न मॉडल को सभी इनपुट एक समान आयामों में मिलते हैं और उनका संसाधन करना आसान होता है। इसका उद्देश्य चित्र की पूरी जानकारी मिटाना नहीं है; इसलिए विकल्प B गलत है। परीक्षा में याद रखें कि resizing, image preprocessing का सामान्य चरण है। / Resizing changes an image’s width and height to specified dimensions. This gives a computer vision model inputs with uniform dimensions, making processing and comparison easier. It does not aim to erase all image information, so option B is incorrect. Exam tip: resizing is a common image-preprocessing step before model input.
A. जब रंग की जगह चमक की जानकारी पर्याप्त हो/When brightness information is sufficient instead of color
Explanation
Simple Explanation
धूसर चित्र में प्रत्येक पिक्सेल को रंग के बजाय चमक या तीव्रता के स्तर से दर्शाया जाता है। इसलिए आकार, किनारे या पैटर्न पहचानने जैसे कार्यों में, जब रंग की जानकारी आवश्यक न हो, इसका उपयोग किया जा सकता है। अन्य विकल्प चित्र प्रसंस्करण में धूसर चित्र के उपयोग की स्थिति नहीं बताते। परीक्षा टिप: यदि किसी कार्य में केवल आकृति या चमक महत्वपूर्ण हो, तो रंगीन चित्र के स्थान पर धूसर चित्र पर्याप्त हो सकता है। / A grayscale image represents each pixel using brightness or intensity levels rather than color. It can therefore be used for tasks such as detecting shapes, edges, or patterns when color information is not required. The other options do not describe a use of grayscale images in computer vision. Exam tip: If only shape or brightness matters, a grayscale image may be sufficient instead of a color image.
A. वस्तु की सीमा और आकार समझना/To understand an object's boundary and shape
Explanation
Simple Explanation
किनारा पहचानने की प्रक्रिया चित्र में तीव्र चमक या रंग-परिवर्तन वाले स्थानों को खोजती है। ये स्थान प्रायः वस्तुओं की सीमाएँ दर्शाते हैं, इसलिए उनसे वस्तु का आकार और संरचना समझने में सहायता मिलती है। विकल्प B चित्र मिटाने, C ध्वनि उत्पन्न करने और D अनुवाद से संबंधित हैं, किनारा पहचानने से नहीं। परीक्षा टिप: Edge detection को वस्तु की सीमा पहचानने वाली प्रारंभिक computer vision तकनीक के रूप में याद रखें। / Edge detection finds locations in an image where there is a sharp change in intensity or colour. These locations often represent object boundaries, helping a computer understand an object's shape and structure. Options B, C and D describe image deletion, sound generation and translation, not edge detection. Exam tip: Remember edge detection as an early computer vision technique for identifying object boundaries.
A. गोपनीयता और गलत पहचान के जोखिम के कारण/Because of privacy and wrong identification risks
Explanation
Simple Explanation
चेहरा पहचान प्रणाली लोगों की पहचान से संबंधित संवेदनशील जैवमितीय डेटा का उपयोग करती है। बिना सहमति डेटा का उपयोग गोपनीयता का उल्लंघन कर सकता है और पक्षपाती या गलत प्रणाली किसी निर्दोष व्यक्ति पर अनुचित प्रभाव डाल सकती है। इसलिए ऐसी प्रणालियों में गोपनीयता, सहमति, निष्पक्षता और गलत पहचान के जोखिम पर ध्यान देना आवश्यक है। परीक्षा-टिप: जिस विकल्प में व्यक्तिगत अधिकारों और संभावित हानि से जुड़े जोखिम बताए गए हों, वही नैतिक सावधानी का सही कारण है। / A face recognition system uses sensitive biometric data connected to people’s identities. Using such data without consent can violate privacy, and a biased or inaccurate system may unfairly affect an innocent person. Therefore, privacy, consent, fairness, and the risk of misidentification must be considered. Exam tip: Choose the option that identifies risks to personal rights and possible harm as the reason for ethical care.
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.”
A. विविध और संतुलित आंकड़ों का उपयोग करना/Use diverse and balanced data
Explanation
Simple Explanation
विविध और संतुलित आंकड़े अलग-अलग समूहों का उचित प्रतिनिधित्व करते हैं, इसलिए मॉडल के निर्णयों में किसी एक समूह के पक्ष या विरोध का पूर्वाग्रह घट सकता है। केवल एक समूह के आंकड़े लेने से मॉडल की निष्पक्षता कम हो सकती है, जबकि गलत आंकड़े बनाना और परिणामों की जांच न करना पूर्वाग्रह को बढ़ा सकता है। परीक्षा टिप: AI में निष्पक्षता सुधारने के लिए प्रतिनिधित्वपूर्ण आंकड़े और परिणामों की नियमित जांच दोनों महत्वपूर्ण हैं। / Using diverse and balanced data gives fair representation to different groups and can reduce a model's bias for or against any one group. Using data from only one group can make the model less fair, while creating incorrect data or failing to check results can increase bias. Exam tip: Improving AI fairness requires both representative data and regular evaluation of the results.
A. अनुमति लेकर सीमित उपयोग करना/Take consent and use data in a limited way
Explanation
Simple Explanation
व्यक्तिगत आंकड़ों का उपयोग स्पष्ट सहमति लेकर और केवल आवश्यक उद्देश्य तक सीमित रखकर करना चाहिए। इससे अनधिकृत पहुँच और दुरुपयोग का जोखिम घटता है। विकल्प B, C और D गोपनीयता का उल्लंघन करते हैं। परीक्षा टिप: डेटा साझा करने से पहले सहमति, उद्देश्य और आवश्यक सीमा अवश्य जाँचें। / Personal data should be used only after obtaining clear consent and only for the necessary purpose. This reduces the risk of unauthorized access and misuse. Options B, C, and D violate privacy. Exam tip: Before sharing data, check consent, purpose, and necessity.
A. रोग संकेतों की पहचान में सहायता/Helping identify disease signs
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता चिकित्सा छवियों और रोगी के आँकड़ों का विश्लेषण करके रोग-संबंधी संकेतों की पहचान में सहायता कर सकती है। इसलिए विकल्प A सही है। विकल्प B भी स्वास्थ्य सेवा में AI का संभावित उपयोग हो सकता है, जैसे गोपनीय डेटा की निगरानी, इसलिए यह प्रश्न में एक निकटवर्ती लेकिन अस्पष्ट विकल्प बनता है; अधिक स्पष्ट एकल उत्तर के लिए इसे सामान्य सहायक कार्य के रूप में रखा गया है। विकल्प C और D गलत हैं, क्योंकि AI बिना चिकित्सकीय जाँच के निश्चित निदान या बिना अनुमति दवा में बदलाव नहीं कर सकती। परीक्षा-युक्ति: AI को निर्णय-सहायक तकनीक समझें, डॉक्टर का पूर्ण विकल्प नहीं। / AI can analyze medical images and patient data to help identify disease-related signs, so option A is correct. Option B can also be a possible healthcare application—for example, monitoring sensitive data—making it a close but potentially ambiguous distractor; it has been retained as a general supportive function to test the primary concept. Options C and D are incorrect because AI should not provide a definite diagnosis without medical examination or change medicines without authorization. Exam tip: Treat AI as a decision-support tool, not a complete replacement for a doctor.
A. फसल रोग पहचान और सिंचाई सलाह में/In crop disease detection and irrigation advice
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता फसलों की तस्वीरों और मौसम या मिट्टी के आँकड़ों का विश्लेषण करके रोगों की पहचान तथा फसल की पानी की आवश्यकता का अनुमान लगाने में सहायता कर सकती है। इसलिए विकल्प A सही है। विकल्प B, C और D कृषि में AI के उपयोगी या वांछित अनुप्रयोग नहीं हैं। परीक्षा में याद रखें: कृषि में AI का प्रमुख उपयोग निगरानी, पूर्वानुमान और संसाधनों के बेहतर प्रबंधन में होता है। / Artificial intelligence can analyse crop images and weather or soil data to help detect diseases and estimate a crop’s water requirement. Therefore, option A is correct. Options B, C and D are neither useful nor intended applications of AI in agriculture. Exam tip: remember that AI in agriculture is mainly used for monitoring, prediction, and efficient resource management.
कंप्यूटर विज़न में AI तस्वीरों के पिक्सेल और पैटर्न का विश्लेषण करता है। पत्तियों पर धब्बे या रंग-परिवर्तन देखकर रोग पहचानना इसी का उपयोग है। टिप: चित्र या वीडियो दिखे तो Computer Vision चुनें। / Computer vision enables AI to analyse visual patterns and pixels in images. Detecting spots or colour changes on leaves to identify disease uses this application. Exam tip: image or video tasks usually indicate Computer Vision.
A. परिवेश समझकर निर्णय लेने में सहायता करती है/Helps understand surroundings and make decisions
Explanation
Simple Explanation
स्वचालित वाहन कैमरा, रडार और अन्य सेंसरों से परिवेश की जानकारी प्राप्त करता है। कृत्रिम बुद्धिमत्ता इस जानकारी का विश्लेषण करके वस्तुओं की पहचान और निर्णय लेने में सहायता करती है, इसलिए विकल्प A सही है। विकल्प B भी AI के एक उपयोग का वर्णन करता है, लेकिन वह केवल सेंसर आँकड़ों के विश्लेषण और वाहन नियंत्रण तक सीमित है; प्रश्न AI की व्यापक भूमिका पूछता है। AI वाहन को बिना प्रोग्राम के नहीं चलाती और यातायात नियमों की आवश्यकता भी समाप्त नहीं करती। परीक्षा-टिप: स्वचालित वाहनों में AI की मुख्य भूमिकाएँ perception, decision-making और control से जुड़ी होती हैं। / An autonomous vehicle uses cameras, radar, and other sensors to gather information about its surroundings. AI analyzes this information to recognize objects and support decision-making, so option A is correct. Option B describes one specific use of AI—analyzing sensor data to assist vehicle control—but it is narrower than the broader role asked in the question. AI does not operate a vehicle without programs, nor does it eliminate the need for traffic rules. Exam tip: Remember that AI in autonomous vehicles is mainly used for perception, decision-making, and control.
कंप्यूटर विज़न चित्रों के पिक्सेल और पैटर्न का विश्लेषण करके फ्रैक्चर जैसी विशेषताएँ पहचानता है। NLP पाठ या भाषण के लिए होता है। परीक्षा टिप: image या video दिखे तो Computer Vision चुनें। / Computer vision analyses pixels and visual patterns to detect features such as fractures in X-ray images. NLP deals with text and speech. Exam tip: when the input is an image or video, choose Computer Vision.
A. सीख और सुधार के अवसर पहचानने के लिए/To identify learning and improvement opportunities
Explanation
Simple Explanation
अंतिम समीक्षा में परियोजना के लक्ष्य, परिणाम, त्रुटियों और उपयोगकर्ता प्रतिक्रिया का मूल्यांकन किया जाता है। इसलिए यह सीख तथा सुधार के अवसर पहचानने में सहायक होती है। विकल्प B गलत है, क्योंकि समीक्षा का उद्देश्य परिणामों की जाँच करना है; विकल्प C और D भी पारदर्शिता तथा त्रुटि-सुधार के विपरीत हैं। परीक्षा-युक्ति: अंतिम समीक्षा को परियोजना से सीख लेकर अगले चक्र को बेहतर बनाने वाला चरण याद रखें। / A final review evaluates the project’s goals, results, errors, and user feedback. Therefore, it helps identify learning and opportunities for improvement. Option B is incorrect because review requires checking the results, while C and D contradict transparency and error correction. Exam tip: remember final review as the stage that uses project learning to improve the next cycle.
