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
B. समस्या उद्देश्य और सीमा स्पष्ट करना/To clarify the problem goal and scope
Explanation
Simple Explanation
समस्या निर्धारण AI परियोजना चक्र का प्रारंभिक चरण है। इसमें समस्या का उद्देश्य, अपेक्षित परिणाम और कार्य-सीमा स्पष्ट की जाती है, ताकि परियोजना सही दिशा में आगे बढ़े। इसलिए विकल्प B सही है। विकल्प D गलत है, क्योंकि किसी प्रतिरूप को लागू करने से पहले उसका परीक्षण आवश्यक होता है। परीक्षा में याद रखें: स्पष्ट समस्या-सीमा आगे के डेटा अधिग्रहण और मॉडल निर्माण को निर्देशित करती है। / Problem scoping is an initial stage of the AI project cycle. It defines the problem goal, expected outcome, and boundaries so that the project proceeds in the right direction. Therefore, option B is correct. Option D is incorrect because a model must be tested before deployment. Exam tip: a clearly scoped problem guides later data collection and model development.
A. ताकि सफलता की जांच की जा सके/So that success can be checked
Explanation
Simple Explanation
मापने योग्य लक्ष्य सफलता के स्पष्ट मानदंड निर्धारित करता है। इससे समाधान लागू करने के बाद उसके परिणामों की तुलना लक्ष्य से करके पता लगाया जा सकता है कि समस्या कितनी प्रभावी ढंग से हल हुई। अस्पष्ट लक्ष्य का मूल्यांकन नहीं किया जा सकता। परीक्षा में याद रखें: measurable goal का संबंध evaluation और success measurement से है। / A measurable goal sets a clear criterion for success. After the solution is implemented, its results can be compared with the goal to determine how effectively the problem was solved. An unclear goal cannot be evaluated reliably. Exam tip: associate a measurable goal with evaluation and measuring success.
B. परियोजना से जुड़े लोगों और उनके प्रभाव को समझना/Understanding people connected with the project and their impact
Explanation
Simple Explanation
हितधारक मानचित्र परियोजना से जुड़े या उससे प्रभावित लोगों की पहचान करने तथा उनकी भूमिकाओं, आवश्यकताओं और प्रभाव को समझने में सहायता करता है। इसलिए विकल्प B सही है; इससे प्रतिरूप अपने आप नहीं बनता और न ही सभी त्रुटियाँ तुरंत समाप्त होती हैं। परीक्षा में याद रखें कि हितधारक मानचित्र समस्या को प्रभावित करने वाले लोगों को समझने का उपकरण है। / A stakeholder map helps identify the people connected with or affected by a project and understand their roles, needs, and influence. Therefore, option B is correct; it does not create the model automatically or remove all errors. Exam tip: remember that stakeholder mapping is used to understand the people who affect or are affected by the project.
A. ताकि समाधान वास्तविक उपयोग में मदद करे/So the solution helps in real use
Explanation
Simple Explanation
उपयोगकर्ता की जरूरत समझने से AI समाधान वास्तविक समस्या को संबोधित करता है और उपयोगकर्ता के लिए उपयोगी बनता है। उपयोगकर्ता को अनदेखा करना या परिणाम छिपाना समस्या-समाधान की गुणवत्ता घटाता है, जबकि गलत आंकड़े समाधान को अविश्वसनीय बना सकते हैं। परीक्षा-टिप: AI Project Cycle में समस्या-निर्धारण के समय हितधारकों और उपयोगकर्ताओं की जरूरतों को स्पष्ट करें। / Understanding user needs helps an AI solution address the actual problem and makes it useful in practice. Ignoring users or hiding results does not improve a solution, while incorrect data can make it unreliable. Exam tip: During problem scoping in the AI Project Cycle, clearly identify the needs of users and other stakeholders.
A. आंकड़ों को व्यवस्थित स्रोतों से प्राप्त करना/Getting data from organized sources
Explanation
Simple Explanation
आंकड़ा अधिग्रहण का अर्थ किसी समस्या या परियोजना के लिए आवश्यक आंकड़ों को उपयुक्त और व्यवस्थित स्रोतों से एकत्र करना है। इसलिए विकल्प A सही है। आंकड़ों को नष्ट करना या प्रतिरूप को बंद करना अधिग्रहण की प्रक्रिया नहीं है। परीक्षा में याद रखें: डेटा-आधारित मॉडल बनाने से पहले प्रासंगिक और विश्वसनीय आंकड़े जुटाए जाते हैं। / Data acquisition means collecting the information required for a problem or project from suitable and organized sources. Therefore, option A is correct. Destroying data or closing a model is not part of acquisition. Exam tip: Relevant and reliable data are gathered before building a data-driven model.
A. ताकि वह वास्तविक समूह की विशेषताओं को सही ढंग से दर्शा सके/So it can accurately reflect the characteristics of the real group
Explanation
Simple Explanation
प्रतिनिधि नमूना बड़े वास्तविक समूह की महत्वपूर्ण विशेषताओं को उचित रूप से दर्शाता है। इससे नमूने से निकाले गए निष्कर्ष पूरे समूह पर अधिक विश्वसनीय रूप से लागू किए जा सकते हैं। विकल्प C गलत है, क्योंकि प्रतिनिधि नमूना पक्षपात को कम कर सकता है, लेकिन हर प्रकार के पक्षपात को पूरी तरह समाप्त करने की गारंटी नहीं देता। परीक्षा-युक्ति: नमूना प्रतिनिधि हो तो निष्कर्ष अधिक विश्वसनीय और सामान्यीकृत होते हैं। / A representative sample properly reflects the important characteristics of the larger real group. Therefore, conclusions drawn from the sample can be applied to the whole group more reliably. Option C is incorrect because a representative sample can reduce bias, but it cannot guarantee that every type of bias is completely eliminated. Exam tip: A representative sample supports more reliable and generalisable conclusions.
B. केवल एक समूह का अधिक प्रतिनिधित्व/Overrepresentation of only one group
Explanation
Simple Explanation
आंकड़ों में पक्षपात तब आ सकता है जब किसी एक समूह का प्रतिनिधित्व बहुत अधिक और अन्य समूहों का बहुत कम हो। ऐसी स्थिति में आंकड़े पूरी आबादी की वास्तविक विविधता नहीं दिखाते और उनसे बने निष्कर्ष उस अधिक प्रतिनिधित्व वाले समूह की ओर झुक सकते हैं। संतुलित प्रतिनिधित्व, विविध स्रोत और नियमित जांच पक्षपात कम करने में सहायता करते हैं। परीक्षा-युक्ति: जिस विकल्प में किसी समूह का असंतुलित या अधिक प्रतिनिधित्व हो, उसे डेटा-पक्षपात के संभावित कारण के रूप में पहचानें। / Bias can arise when one group is overrepresented and other groups are underrepresented in the data. In that case, the data do not reflect the true diversity of the population, so conclusions may favour the overrepresented group. Balanced representation, diverse sources, and regular data checks help reduce bias. Exam tip: Identify an imbalanced or one-sided representation of groups as a likely cause of data bias.
A. आंकड़ों की संरचना, संबंधों और समस्याओं को समझना/To understand the structure, relationships, and problems in the data
Explanation
Simple Explanation
आंकड़ा अन्वेषण में आंकड़ों की संरचना, प्रकार, वितरण, संबंध और संभावित त्रुटियों का प्रारंभिक अध्ययन किया जाता है। इसलिए विकल्प A सही है। विकल्प B के विपरीत, आंकड़ों को बिना जाँचे उपयोग करने से गलत निष्कर्ष निकल सकते हैं। परीक्षा-युक्ति: मॉडल बनाने से पहले डेटा में पैटर्न, असामान्य मान और समस्याएँ अवश्य जाँचें। / Data exploration is the preliminary study of a dataset’s structure, types, distribution, relationships, and possible errors. Therefore, option A is correct. Unlike option B, using data without examining it can lead to incorrect conclusions. Exam tip: Before building a model, check the data for patterns, unusual values, and quality problems.
A. आंकड़ों का सारांश समझने के लिए/To understand a summary of data
Explanation
Simple Explanation
वर्णनात्मक सांख्यिकी उपलब्ध आंकड़ों को सारांशित और व्यवस्थित करके उनकी मुख्य विशेषताएँ स्पष्ट करती है। माध्य, मध्यक, बहुलक, परास और तालिकाएँ इसके सामान्य उदाहरण हैं। विकल्प B मुख्यतः पूर्वानुमानात्मक या अनुमानात्मक विश्लेषण से संबंधित है, जबकि C और D सांख्यिकी के उपयोग नहीं हैं। परीक्षा-टिप: वर्णनात्मक सांख्यिकी का उद्देश्य आंकड़ों का वर्णन करना है, भविष्यवाणी करना नहीं। / Descriptive statistics organize and summarize the data that have already been collected, making its main features easier to understand. Mean, median, mode, range, and tables are common examples. Option B is mainly related to predictive or inferential analysis, while C and D are unrelated to statistics. Exam tip: descriptive statistics describe existing data; they do not primarily predict future outcomes.
A. मान कितने फैले हुए हैं, यह जानने के लिए/To know how spread out the values are
Explanation
Simple Explanation
प्रसार यह बताता है कि आंकड़ों के मान केंद्रीय मान, जैसे औसत, के आसपास कितने दूर-दूर हैं। इसलिए इससे आंकड़ों की परिवर्तनशीलता और उनके फैलाव का पता चलता है। विकल्प B गलत है, क्योंकि प्रसार मानों के समान होने की धारणा नहीं बनाता; बल्कि उनके अंतर को मापने में सहायता करता है। परीक्षा में याद रखें: औसत केंद्र की जानकारी देता है, जबकि प्रसार आंकड़ों के फैलाव की। / Spread indicates how far the data values lie from a central value such as the mean. It therefore helps describe the variability and dispersion of the data. Option B is incorrect because spread does not assume that all values are equal; it helps identify how much they differ. Exam tip: the mean describes the centre, while spread describes how widely the data are distributed.
A. दो संख्यात्मक चरों के बीच संबंध/Relation between two numerical variables
Explanation
Simple Explanation
फैलाव चित्र में दो संख्यात्मक चरों के युग्मित मानों को बिंदुओं के रूप में दर्शाया जाता है। इससे उनके बीच संबंध, प्रवृत्ति या संभावित सहसंबंध दिखाई दे सकता है। विकल्प B सामान्यतः रेखा-चित्र, C स्तंभ-चित्र और D पाई-चार्ट से दिखाया जाता है। परीक्षा-युक्ति: दो संख्यात्मक चरों के संबंध के लिए scatter plot चुनें। / A scatter plot represents paired values of two numerical variables as points. The pattern of these points can reveal a relationship, trend, or possible correlation between the variables. Option B is commonly shown with a line chart, C with a bar chart, and D with a pie chart. Exam tip: choose a scatter plot when the purpose is to study the relation between two numerical variables.
A. गलत निष्कर्ष निकाले जा सकते हैं/Wrong conclusions can be drawn
Explanation
Simple Explanation
भ्रामक आलेख में गलत पैमाना, अधूरे आंकड़े या अनुचित प्रस्तुति हो सकती है। इससे पाठक आंकड़ों का गलत अर्थ निकालकर गलत निष्कर्ष तक पहुँच सकते हैं। इसलिए आलेख में उपयुक्त पैमाना, स्पष्ट लेबल और पूरा संदर्भ देना चाहिए। परीक्षा-युक्ति: यदि दृश्यांकन आंकड़ों का वास्तविक अंतर बढ़ा-चढ़ाकर या कम करके दिखाए, तो वह गलत निष्कर्षों का कारण बन सकता है। / A misleading graph may use an inappropriate scale, incomplete data, or unclear presentation. This can cause readers to interpret the data incorrectly and draw wrong conclusions. Graphs should therefore use suitable scales, clear labels, and sufficient context. Exam tip: If a visualization exaggerates or hides the actual difference in the data, it can lead to incorrect conclusions.
A. समस्या के प्रकार और आंकड़ों की प्रकृति/Type of problem and nature of data
Explanation
Simple Explanation
सही प्रतिरूप का चयन समस्या के उद्देश्य, जैसे वर्गीकरण, प्रतिगमन या क्लस्टरिंग, और उपलब्ध आंकड़ों की प्रकृति पर निर्भर करता है। कंप्यूटर का रंग, कुर्सी की ऊंचाई या फाइल का नाम प्रतिरूप की उपयुक्तता को प्रभावित नहीं करते। परीक्षा-युक्ति: प्रतिरूप चुनते समय समस्या का प्रकार और आंकड़ों की विशेषताएँ पहले पहचानें। / The appropriate model depends on the objective of the problem—such as classification, regression, or clustering—and on the nature of the available data. The computer’s color, chair height, and file name do not affect model suitability. Exam tip: Identify the problem type and the characteristics of the data before choosing a model.
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.”
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. प्रशिक्षण के दौरान प्रतिरूप का चयन और उसकी समायोजन-संरचना तय करने के लिए/To select a model and tune its settings during training
Explanation
Simple Explanation
सत्यापन आंकड़ों का उपयोग प्रशिक्षण के दौरान अलग-अलग प्रतिरूपों या हाइपरपैरामीटरों की तुलना करके सबसे उपयुक्त प्रतिरूप और उसकी सेटिंग चुनने के लिए किया जाता है। विकल्प B, C और D का प्रतिरूप के मूल्यांकन से कोई संबंध नहीं है। परीक्षा-युक्ति: प्रशिक्षण आंकड़े प्रतिरूप सीखने के लिए, सत्यापन आंकड़े चयन और समायोजन के लिए तथा परीक्षण आंकड़े अंतिम निष्पक्ष मूल्यांकन के लिए होते हैं। / Validation data are used during model development to compare models or hyperparameter settings and select the most suitable one. Options B, C, and D are unrelated to model evaluation. Exam tip: training data teach the model, validation data guide model selection and tuning, and test data provide the final unbiased evaluation.
A. जब वर्ग अत्यधिक असंतुलित हों/When classes are highly imbalanced
Explanation
Simple Explanation
अत्यधिक असंतुलित वर्गों में एक वर्ग के नमूने बहुत अधिक होते हैं। यदि मॉडल हर बार बहुसंख्यक वर्ग का अनुमान लगाए, तो उसकी सटीकता ऊँची दिख सकती है, जबकि अल्पसंख्यक वर्ग की पहचान खराब हो सकती है। इसलिए ऐसे मामलों में परिशुद्धता, पुनःस्मरण और F1-स्कोर भी जाँचने चाहिए। समान आकार वाले वर्गों में केवल बहुसंख्यक वर्ग का अनुमान लगाने से यह भ्रम सामान्यतः नहीं होता। परीक्षा-टिप: असंतुलित वर्गों के संकेत मिलें तो केवल accuracy पर निर्भर न रहें। / With highly imbalanced classes, one class contains far more samples than the others. A model that always predicts the majority class may achieve high accuracy while detecting the minority class poorly. Therefore, precision, recall, and the F1-score should also be checked. This issue is generally less misleading when the classes have nearly equal sizes. Exam tip: when class imbalance is present, do not rely on accuracy alone.
A. परिशुद्धता और पुनःस्मरण के बीच संतुलन का मूल्यांकन करने में/To evaluate the balance between precision and recall
Explanation
Simple Explanation
F1 स्कोर परिशुद्धता (precision) और पुनःस्मरण (recall) का हार्मोनिक माध्य होता है, इसलिए यह दोनों मापों के बीच संतुलन का एकल मान देता है। जब false positives और false negatives दोनों महत्त्वपूर्ण हों, विशेषकर असंतुलित वर्गों वाले डेटा में, तब यह उपयोगी होता है। केवल accuracy को पर्याप्त मान लेना ऐसे मामलों में भ्रामक हो सकता है। परीक्षा-युक्ति: F1 स्कोर तभी अधिक होगा जब precision और recall दोनों अच्छे हों। / The F1 score is the harmonic mean of precision and recall, so it provides a single measure of their balance. It is useful when both false positives and false negatives matter, especially with imbalanced datasets. Relying only on accuracy can be misleading in such cases. Exam tip: The F1 score is high only when both precision and recall are high.
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.
A. प्रशिक्षण आंकड़ों पर बहुत अच्छा, लेकिन नए आंकड़ों पर कमजोर प्रदर्शन/Very good performance on training data but weak performance on new data
Explanation
Simple Explanation
अधिक सीख जाने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के पैटर्न, और कभी-कभी उनकी विशिष्ट बातें, याद कर लेता है। इसलिए प्रशिक्षण आंकड़ों पर उसका प्रदर्शन बहुत अच्छा रहता है, लेकिन नए या परीक्षण आंकड़ों पर प्रदर्शन कमजोर हो जाता है। विकल्प B सामान्यीकरण का संकेत है, अधिक सीख जाने का नहीं। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण प्रदर्शन के बीच बड़ा अंतर दिखे, तो overfitting की जाँच करें। / In overfitting, a model learns the training data too specifically and may partly memorize it. As a result, it performs very well on the training data but poorly on unseen or test data. Option B indicates good generalization, not overfitting. Exam tip: A large gap between training and test performance is a common sign of overfitting.
A. नए आंकड़ों पर भी सही काम करने की क्षमता/Ability to work well on new data
Explanation
Simple Explanation
सामान्यीकरण का अर्थ है कि मशीन लर्निंग प्रतिरूप प्रशिक्षण के दौरान देखे गए आंकड़ों के अलावा नए और अनदेखे आंकड़ों पर भी सही भविष्यवाणी करे। इसलिए विकल्प A सही है। केवल पुराने उदाहरण याद रखना सामान्यीकरण नहीं, बल्कि अतिअनुकूलन (overfitting) का संकेत हो सकता है। परीक्षा टिप: प्रतिरूप का सामान्यीकरण जाँचने के लिए उसे परीक्षण आंकड़ों पर परखें। / Generalization means that a machine-learning model makes accurate predictions on new, unseen data in addition to the data used during training. Therefore, option A is correct. Merely memorizing old examples is not generalization; it may indicate overfitting. Exam tip: Evaluate generalization by testing the model on separate test data.
A. क्योंकि शब्द का अर्थ स्थिति के अनुसार बदल सकता है/Because word meaning can change with situation
Explanation
Simple Explanation
संदर्भ से NLP प्रणाली को यह समझने में मदद मिलती है कि किसी शब्द या वाक्य का आशय किस स्थिति में क्या है। उदाहरण के लिए, “कल” का अर्थ बीता हुआ दिन या आने वाला दिन हो सकता है; इसका सही अर्थ आसपास के शब्दों और परिस्थिति से स्पष्ट होता है। विकल्प B गलत है, क्योंकि संदर्भ का उपयोग केवल वर्तनी जाँचने तक सीमित नहीं है। विकल्प D संदर्भ की आवश्यकता के विपरीत है, क्योंकि कई शब्दों के अर्थ स्थिति के अनुसार बदलते हैं। परीक्षा टिप: संदर्भ शब्दार्थ-विभेदन और वाक्य के आशय को समझने में महत्वपूर्ण है। / Context helps an NLP system determine the intended meaning of a word or sentence in a particular situation. For example, “bank” can mean a financial institution or the side of a river; the surrounding words help identify the correct sense. Option B is wrong because context is not used only for spelling, while option D contradicts the fact that many words have different meanings in different situations. Exam tip: Context is especially important for word-sense disambiguation and understanding sentence intent.
A. लंबे पाठ की मुख्य बातों को संक्षिप्त रूप में प्रस्तुत करना/To present the main points of a long text in a concise form
Explanation
Simple Explanation
पाठ सारांशण में लंबे दस्तावेज़ की आवश्यक जानकारी और मुख्य विचारों को कम शब्दों में प्रस्तुत किया जाता है। इसका उद्देश्य अर्थ बनाए रखते हुए पाठ को संक्षिप्त करना है, न कि शब्दों का क्रम बदलना या जानकारी मिटाना। परीक्षा में याद रखें: सारांशण का मुख्य परिणाम कम लंबाई में मूल अर्थ का संरक्षण है। / Text summarization presents the essential information and main ideas of a long document in fewer words. Its purpose is to reduce the length while preserving the meaning, not to reverse words or delete information. Exam tip: remember that summarization means preserving the core meaning in a shorter form.
A. एक भाषा के पाठ को दूसरी भाषा में बदलने के लिए/To convert text from one language to another
Explanation
Simple Explanation
मशीन अनुवाद प्राकृतिक भाषा प्रसंस्करण (NLP) का एक अनुप्रयोग है, जो कंप्यूटर की सहायता से किसी भाषा के पाठ को दूसरी भाषा में बदलता है। इसलिए विकल्प A सही है। चित्र का आकार घटाना इमेज प्रोसेसिंग से संबंधित है, जबकि कंप्यूटर बंद करना और ध्वनि की तीव्रता कम करना मशीन अनुवाद के कार्य नहीं हैं। परीक्षा-युक्ति: Machine Translation को language-to-language conversion के रूप में याद रखें। / Machine translation is an application of natural language processing (NLP) that uses a computer to convert text from one language into another. Therefore, option A is correct. Reducing image size is an image-processing task, while shutting down a computer and lowering sound volume are unrelated operations. Exam tip: Remember machine translation as language-to-language conversion.
A. बोली हुई ध्वनि को लिखित पाठ में बदलती है/Converts spoken sound into written text
Explanation
Simple Explanation
बोल से पाठ प्रणाली बोले गए शब्दों और ध्वनियों को पहचानकर उन्हें लिखित या डिजिटल पाठ में बदलती है। इसलिए विकल्प A सही है। विकल्प B पाठ से बोल प्रणाली (text-to-speech) का कार्य बताता है, जो इसका उल्टा है। परीक्षा टिप: Speech-to-text को automatic speech recognition (ASR) भी कहा जाता है। / A speech-to-text system recognizes spoken words and converts them into written or digital text, so option A is correct. Option B describes text-to-speech, which performs the reverse conversion. Exam tip: Speech-to-text is commonly associated with automatic speech recognition (ASR).
A. ताकि प्रतिरूप अलग-अलग स्थितियों में वस्तुओं को पहचान सके/So the model can recognize objects in different situations
Explanation
Simple Explanation
प्रशिक्षण चित्रों में प्रकाश, आकार, कोण, पृष्ठभूमि और वस्तु की स्थिति जैसी विविधताएँ होने पर प्रतिरूप वास्तविक दुनिया के अलग-अलग उदाहरणों से सीखता है। इससे वह केवल किसी एक चित्र को याद करने के बजाय नए चित्रों पर बेहतर सामान्यीकरण कर पाता है। विकल्प B याद करने की समस्या बताता है, जो विविध और पर्याप्त प्रशिक्षण से कम की जाती है। परीक्षा-युक्ति: विविध प्रशिक्षण डेटा सामान्यीकरण क्षमता बढ़ाता है। / When training images vary in lighting, size, angle, background, and object position, the model learns from different real-world examples. This helps it generalize to new images instead of merely memorizing one image. Option B describes memorization, which varied and sufficient training data helps reduce. Exam tip: diverse training data generally improves a model’s generalization ability.
A. प्रशिक्षण के लिए चित्रों के विविध रूप बनाना/To create varied versions of images for training
Explanation
Simple Explanation
चित्र संवर्धन में मूल चित्रों पर छोटे परिवर्तन किए जाते हैं, जैसे घुमाना, पलटना, काटना या चमक बदलना। इससे प्रशिक्षण के लिए चित्रों के विविध रूप मिलते हैं और प्रतिरूप अलग-अलग परिस्थितियों में बेहतर सामान्यीकरण कर सकता है। इसलिए विकल्प A सही है। विकल्प C गलत है, क्योंकि संवर्धन का उद्देश्य आंकड़ों को हटाना नहीं, बल्कि प्रशिक्षण आंकड़ों की विविधता बढ़ाना है। परीक्षा टिप: Image augmentation को training data की विविधता बढ़ाने की तकनीक के रूप में याद रखें। / Image augmentation applies small changes to original images, such as rotation, flipping, cropping, or changing brightness. It creates varied training examples and can help a model generalize better to different conditions. Therefore, option A is correct. Option C is incorrect because augmentation does not remove data; it increases the diversity of training data. Exam tip: Remember image augmentation as a technique for increasing the variety of training data.
A. वस्तु पहचान वस्तु का स्थान भी बताती है/Object detection also tells the object's location
Explanation
Simple Explanation
चित्र वर्गीकरण सामान्यतः पूरे चित्र को एक या अधिक श्रेणियों में रखता है, जबकि वस्तु पहचान चित्र में मौजूद अलग-अलग वस्तुओं की पहचान के साथ उनके स्थान, प्रायः bounding boxes के रूप में, बताती है। इसलिए स्थान बताना मुख्य अंतर है। विकल्प B वर्गीकरण का सही वर्णन करता है, लेकिन वह वस्तु पहचान और वर्गीकरण के बीच मुख्य अंतर को पूरा नहीं बताता। परीक्षा-युक्ति: classification को “क्या है?” और detection को “क्या है और कहाँ है?” के रूप में याद रखें। / Image classification assigns one or more categories to the image as a whole, whereas object detection identifies individual objects and indicates their locations, usually with bounding boxes. Therefore, reporting location is the key difference. Option B correctly describes classification but does not state the complete contrast as directly as option A. Exam tip: remember classification as “what is in the image?” and detection as “what is it and where is it?”
A. वस्तु के स्थान को घेरकर दिखाने के लिए/To mark the location of an object
Explanation
Simple Explanation
सही उत्तर A है। कंप्यूटर विज़न में सीमा डिब्बा किसी चित्र में पहचानी गई वस्तु के चारों ओर आयत बनाकर उसका स्थान और लगभग सीमा दिखाता है। यह वस्तु पहचान (object detection) के परिणामों को समझने में सहायक होता है; यह ध्वनि बढ़ाने या फाइल संबंधी कार्यों के लिए उपयोग नहीं होता। परीक्षा-टिप: वस्तु का वर्ग और उसका स्थान दोनों बताने वाली तकनीक को object detection कहते हैं। / Option A is correct. In computer vision, a bounding box is a rectangle drawn around a detected object to show its location and approximate extent in an image. It helps interpret object-detection results; it is not used for audio amplification or file operations. Exam tip: Object detection identifies an object’s class and location, whereas image classification generally gives only the class.
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. ताकि अलग-अलग समूहों के साथ समान और उचित व्यवहार हो/So different groups are treated equally and fairly
Explanation
Simple Explanation
AI प्रणालियाँ भर्ती, ऋण, शिक्षा और अन्य महत्वपूर्ण क्षेत्रों में लोगों को प्रभावित कर सकती हैं। निष्पक्षता यह सुनिश्चित करने में मदद करती है कि किसी व्यक्ति या समूह के साथ जाति, लिंग या अन्य आधारों पर अनुचित भेदभाव न हो। इसलिए विकल्प A सही है; विकल्प B पक्षपात बढ़ाने की बात करता है, जबकि C और D जिम्मेदार AI के विपरीत हैं। परीक्षा-युक्ति: निष्पक्षता का संबंध समान अवसर और भेदभाव कम करने से जोड़ें। / AI systems can influence people in important areas such as recruitment, lending, and education. Fairness helps ensure that individuals or groups are not treated unfairly because of characteristics such as caste or gender. Therefore, option A is correct; option B promotes bias, while C and D contradict responsible AI practices. Exam tip: Associate fairness with equal opportunity and reducing discrimination.
A. यह गोपनीयता और अधिकारों का उल्लंघन कर सकता है/It can violate privacy and rights
Explanation
Simple Explanation
निजी आंकड़े किसी व्यक्ति की पहचान, पसंद या गतिविधियों से जुड़े हो सकते हैं। बिना सहमति उनका उपयोग व्यक्ति की गोपनीयता और अपने आंकड़ों पर नियंत्रण के अधिकार का उल्लंघन कर सकता है। इसलिए नैतिक AI में, कानून और संदर्भ के अनुसार आवश्यक सहमति तथा उचित जानकारी लेना महत्वपूर्ण है। परीक्षा-युक्ति: बिना अनुमति निजी जानकारी के उपयोग को गोपनीयता और अधिकारों के उल्लंघन से जोड़ें। / Personal data may be connected to a person’s identity, preferences, or activities. Using it without consent can violate the person’s privacy and right to control how their data is used. Therefore, ethical AI requires appropriate consent and clear information, subject to applicable law and context. Exam tip: Associate the use of personal information without permission with a violation of privacy and rights.
A. संवेदनशील निर्णयों की जांच और सुधार के लिए/For checking and correcting sensitive decisions
Explanation
Simple Explanation
मानव नियंत्रण से AI द्वारा दिए गए संवेदनशील या महत्वपूर्ण निर्णयों की समीक्षा, सुधार और आवश्यकता पड़ने पर रोकथाम की जा सकती है। केवल मशीन पर निर्भर रहने से उसकी गलतियाँ या पक्षपात बिना जांच के लागू हो सकते हैं। परीक्षा-युक्ति: AI नैतिकता में मानव निगरानी का मुख्य उद्देश्य सुरक्षा, जवाबदेही और निष्पक्षता बनाए रखना है। / Human control allows sensitive or important AI decisions to be reviewed, corrected, and stopped when necessary. Relying only on a machine may allow its errors or bias to be applied without review. Exam tip: In AI ethics, human oversight mainly supports safety, accountability, and fairness.
A. उपयोगकर्ता को प्रणाली की सीमाएँ और उसके कार्य करने का तरीका समझने में मदद मिलती है/It helps users understand the system’s limitations and how it works
Explanation
Simple Explanation
पारदर्शिता का अर्थ है कि एआई प्रणाली के उद्देश्य, कार्यप्रणाली, सीमाओं और संभावित जोखिमों के बारे में स्पष्ट जानकारी दी जाए। इससे उपयोगकर्ता समझ पाते हैं कि प्रणाली क्या कर सकती है और उसके परिणामों का उपयोग कितनी सावधानी से करना चाहिए। विकल्प B, C और D पारदर्शिता के विपरीत परिणाम बताते हैं। परीक्षा में याद रखें: पारदर्शिता समझ, जवाबदेही और उचित उपयोग को बढ़ावा देती है। / Transparency means clearly explaining an AI system’s purpose, operation, limitations, and possible risks. This helps users understand what the system can and cannot do and use its results responsibly. Options B, C, and D describe outcomes that are opposite to transparency. Exam tip: Transparency supports understanding, accountability, and responsible use of AI.
A. कुछ काम बदल सकते हैं और नए कौशल की जरूरत हो सकती है/Some tasks may change and new skills may be needed
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता कुछ दोहराए जाने वाले कार्यों को स्वचालित या परिवर्तित कर सकती है। इससे कार्यों की प्रकृति बदल सकती है और डेटा विश्लेषण, एआई संचालन तथा तकनीकी निगरानी जैसे कौशलों की मांग बढ़ सकती है। विकल्प C गलत है, क्योंकि एआई के कारण हर नौकरी तुरंत समाप्त नहीं होती। परीक्षा-टिप: रोजगार पर एआई के प्रभाव को नौकरी समाप्ति के बजाय कार्यों में बदलाव और नए कौशल की आवश्यकता के रूप में समझें। / Artificial intelligence can automate or modify some repetitive tasks, which may change the nature of certain jobs and increase the need for skills such as data analysis, AI operation, and technical supervision. Option C is incorrect because AI does not cause every job to end immediately. Exam tip: Understand AI’s effect on employment as a change in tasks and skill requirements, not as the immediate end of all jobs.
A. जोखिम और हानिकारक परिणाम कम करने के लिए/To reduce risks and harmful outcomes
Explanation
Simple Explanation
सुरक्षा जांच से कृत्रिम बुद्धिमत्ता प्रणाली की त्रुटियों, संभावित जोखिमों और अनपेक्षित हानिकारक परिणामों की पहचान पहले ही की जा सकती है। इसलिए सुधारात्मक कदम उठाकर प्रणाली को अधिक सुरक्षित और जिम्मेदार बनाया जाता है। विकल्प B गलत है, क्योंकि जांच का उद्देश्य गलत परिणाम बढ़ाना नहीं, बल्कि उन्हें कम करना है। परीक्षा-युक्ति: AI नैतिकता में सुरक्षा जांच का संबंध जोखिम-नियंत्रण और हानि-निवारण से याद रखें। / Safety testing helps identify errors, potential risks, and unintended harmful outcomes in an AI system before or during its use. This allows corrective measures to be taken and supports safer, more responsible deployment. Option B is incorrect because testing aims to reduce incorrect results, not increase them. Exam tip: In AI ethics, associate safety testing with risk control and harm prevention.
कंप्यूटर विज़न AI को एक्स-रे, MRI या CT जैसी छवियों में पैटर्न पहचानने में सक्षम बनाता है, इसलिए यह सही है। वाक् पहचान ध्वनि पर काम करती है। परीक्षा टिप: छवि-आधारित कार्यों को कंप्यूटर विज़न से जोड़ें। / Computer Vision enables AI to detect patterns in images such as X-rays, MRIs, or CT scans, so it is correct. Speech recognition processes audio, not images. Exam tip: associate image-based tasks with Computer Vision.
A. असामान्य लेनदेन पैटर्न पहचानकर/By identifying unusual transaction patterns
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता बड़े लेनदेन-डेटा का विश्लेषण करके सामान्य व्यवहार से अलग पैटर्न, जैसे असामान्य राशि, समय या स्थान, पहचान सकती है। इसलिए विकल्प A सही है। विकल्प D गलत है, क्योंकि धोखाधड़ी की आशंका वाले लेनदेन की जांच की जाती है, सभी ग्राहकों को नहीं रोका जाता। परीक्षा टिप: AI-आधारित धोखाधड़ी पहचान में पैटर्न विश्लेषण और असामान्यता पहचान प्रमुख तकनीकें हैं। / Artificial intelligence can analyze large volumes of transaction data and detect patterns that differ from normal behavior, such as unusual amounts, times, or locations. Therefore, option A is correct. Option D is incorrect because systems investigate suspicious transactions rather than blocking every customer. Exam tip: Pattern analysis and anomaly detection are key AI techniques used in fraud detection.
A. सामान्य पैटर्न से अलग घटनाओं या आँकड़ों की पहचान करना/Identifying events or data points that differ from normal patterns
Explanation
Simple Explanation
विसंगति पहचान में ऐसे आँकड़ों या घटनाओं को खोजा जाता है जो सामान्य पैटर्न से अलग हों। उदाहरण के लिए, बैंक खाते में अचानक असामान्य लेन-देन को पहचानकर धोखाधड़ी का संकेत मिल सकता है। इसलिए विकल्प A सही है; विकल्प B सामान्य और असामान्य घटनाओं में अंतर नहीं करता। परीक्षा-युक्ति: anomaly का अर्थ असामान्य या सामान्य से अलग स्थिति याद रखें। / Anomaly detection identifies data points or events that deviate from an expected or normal pattern. For example, an unusually large bank transaction may indicate possible fraud. Therefore, option A is correct; option B does not distinguish unusual events from normal ones. Exam tip: remember that an anomaly is something abnormal or different from the usual pattern.
एक्स-रे में हड्डियों के पैटर्न और असामान्यताओं को पहचानना दृश्य डेटा का विश्लेषण है, इसलिए यह कंप्यूटर विज़न है। NLP भाषा या पाठ पर काम करता है। परीक्षा टिप: चित्र या वीडियो दिखे तो पहले कंप्यूटर विज़न सोचें। / The system examines patterns in an X-ray image, so it uses computer vision. NLP processes language rather than images. Exam tip: when the input is an image or video, first consider computer vision.
A. सटीक कृषि में फसल रोग पहचान/Crop disease detection in precision agriculture
Explanation
Simple Explanation
पत्तियों की छवियों में रोग के लक्षण पहचानकर खेत के प्रभावित भाग बताना सटीक कृषि का उपयोग है। चेहरा पहचान भी छवियों का उपयोग करती है, पर उसका उद्देश्य व्यक्ति पहचानना है। परीक्षा टिप: संदर्भ में फसल और रोग हों तो कृषि AI चुनें। / Detecting disease symptoms in leaf images and locating affected crop areas is an application of AI in precision agriculture. Facial recognition also uses images, but it identifies people rather than crop health. Exam tip: crop-and-disease contexts point to agricultural AI.
A. प्रश्नों के उत्तर और सहायता देना/Giving answers and support to questions
Explanation
Simple Explanation
चैट सहायक प्राकृतिक भाषा में उपयोगकर्ता के प्रश्नों को समझकर जानकारी, मार्गदर्शन या अन्य सहायता दे सकता है; इसलिए विकल्प A सही है। विकल्प B, C और D चैट सहायक के सामान्य उपयोग नहीं हैं। परीक्षा-टिप: AI के अनुप्रयोग पहचानते समय देखें कि वह किसी कार्य को स्वचालित करके उपयोगकर्ता को उपयोगी सहायता देता है या नहीं। / A chat assistant can understand users’ questions in natural language and provide information, guidance, or other support, so option A is correct. Options B, C, and D are not typical uses of a chat assistant. Exam tip: When identifying an AI application, look for a task in which the system automates communication or provides useful assistance.
A. प्रक्रिया, निर्णयों और परिणामों का व्यवस्थित रिकॉर्ड रखने के लिए/To maintain a systematic record of the process, decisions, and results
Explanation
Simple Explanation
दस्तावेजीकरण में परियोजना के चरणों, लिए गए निर्णयों, उपयोग किए गए आँकड़ों और प्राप्त परिणामों का रिकॉर्ड रखा जाता है। इससे टीम प्रक्रिया को दोहरा, जाँच और आवश्यकतानुसार सुधार सकती है। इसलिए विकल्प A सही है; विकल्प D गलत है क्योंकि अच्छा दस्तावेजीकरण मॉडल की समीक्षा और सुधार में सहायता करता है। परीक्षा-युक्ति: AI परियोजना चक्र में रिकॉर्ड रखना पारदर्शिता, पुनरुत्पादन और सुधार के लिए आवश्यक समझें। / Documentation records the project stages, decisions made, data used, and results obtained. This allows the team to review, reproduce, and improve the work when needed. Therefore, option A is correct; option D is incorrect because proper documentation supports model evaluation and improvement rather than preventing it. Exam tip: In the AI project cycle, associate documentation with transparency, reproducibility, and continuous improvement.
A. वास्तविक उपयोग में प्रदर्शन और त्रुटियों की जाँच करने के लिए/To check performance and errors in real use
Explanation
Simple Explanation
परिनियोजन के बाद AI प्रणाली वास्तविक उपयोगकर्ताओं और वास्तविक परिस्थितियों में काम करती है। निगरानी से प्रदर्शन में कमी, नई त्रुटियाँ, पक्षपात या बदलते डेटा के कारण आने वाली समस्याएँ पहचानी जा सकती हैं और समय पर सुधार किया जा सकता है। इसलिए विकल्प A सही है; अन्य विकल्प निगरानी के उद्देश्य नहीं हैं। परीक्षा-टिप: AI प्रोजेक्ट चक्र में परिनियोजन के बाद निगरानी का मुख्य उद्देश्य प्रणाली की विश्वसनीयता और प्रदर्शन बनाए रखना है। / After deployment, an AI system operates with real users and real-world conditions. Monitoring helps identify reduced performance, new errors, bias, or problems caused by changing data so that timely improvements can be made. Therefore, option A is correct; the other options are not purposes of monitoring. Exam tip: In the AI project cycle, post-deployment monitoring is mainly used to maintain the system’s reliability and performance.
A. लेबल लगे ई-मेल के आधार पर स्पैम पहचानना/Identifying spam using labelled emails
Explanation
Simple Explanation
पर्यवेक्षित अधिगम में प्रशिक्षण डेटा के साथ सही लेबल, जैसे ‘स्पैम’ या ‘स्पैम नहीं’, दिए जाते हैं। इसलिए A सही है। B में बिना लेबल समूह बनते हैं। परीक्षा टिप: लेबल दिखें तो supervised learning पहचानें। / In supervised learning, training emails carry labels such as “spam” or “not spam,” allowing the model to learn the mapping. B is clustering without labels. Exam tip: labelled examples indicate supervised learning.
