Artificial Neural Network MCQ Quiz in हिन्दी - Objective Question with Answer for Artificial Neural Network - मुफ्त [PDF] डाउनलोड करें

व्याख्या:

स्टेमिंग:

• यह एक प्रक्रिया जिसमे किसी शब्द के अंतिम कुछ वर्णों को स्टेम या रिमूव कर दिया जाता है, जिससे सामान्यतः इसके वर्तनी और अर्थ गलत हो जाते हैं। 
• इस तकनीक में केवल शेष शब्द को छोड़कर एक शब्द में जोड़े गए प्रत्यय को हटाने की प्रक्रिया पाई जाती है।

लेमैटाइजेशन:

• प्राकृतिक भाषा प्रसंस्करण में, लेमैटाइजेशन में उनके रूट लेक्सिकल घटकों के आधार पर शब्दों को व्यवस्थित करना सम्मलित होता है।
• यह संदर्भ का विश्लेषण करता है और शब्द को उसके शब्दार्थ आधार रूप में परिवर्तित करता है, जिसे लेम्मा कहा जाता है।

 

नामित इकाई की पहचान और पार्ट ऑफ़ स्पीच सामान्यीकरण तकनीक नहीं हैं।​

सही उत्तर आर्टिफिशियल न्यूरल नेटवर्क है। 

 Key Points

• आर्टिफीसियल न्यूरल नेटवर्क (ANNs) डीप लर्निंग का आधार बनते हैं।
• मानव मस्तिष्क की संरचना और कार्य से प्रेरित, ANNs में जुड़े हुए नोड्स या "न्यूरॉन्स" शामिल हैं। पारंपरिक मशीन लर्निंग के डिसीजन ट्री और रैंडम फॉरेस्ट के विपरीत, ANNs कई लेयर में इन परस्पर जुड़े न्यूरॉन्स के माध्यम से डेटा को संसाधित करके जटिल पैटर्न और प्रतिनिधित्व सीख सकते हैं, जिससे वे डीप लर्निंग के मूल निर्माण खंड बन जाते हैं।

Additional Information

•  अन्य मशीन लर्निंग एल्गोरिदम के विपरीत, आर्टिफीसियल न्यूरल  नेटवर्क का पूर्वंनुमान या निर्णय लेने के लिए मानव मस्तिष्क की कार्यप्रणाली का अनुकरण करने का प्रयास करते हैं।

सही उत्तर (ii) और (iii) है।

Key Points

1. डीप लर्निंग मशीन लर्निंग का एक उपसमूह है - यह सही है।
2. मशीन लर्निंग डीप लर्निंग का एक उपसमूह है - यह गलत है। संबंध वास्तव में विपरीत है - डीप लर्निंग मशीन लर्निंग का एक उपसमूह है।
3. आर्टिफिशियल इंटेलिजेंस डीप लर्निंग का एक उपसमूह है - यह भी गलत है। फिर से, संबंध विपरीत है - डीप लर्निंग AI का एक उपसमूह है।
4. डीप लर्निंग AI और ML का उन्नत रूप है - यह सही है। डीप लर्निंग मशीन लर्निंग का एक उन्नत रूप/AI और ML का उपसमूह है।

सही उत्तर iv – i – ii – iii है

Key Points 

• यहां AI के विकास का क्रमबद्ध क्रम दिया गया है:
  1. AI की उत्पत्ति
  2. न्यूरल नेटवर्क
  3. मशीन लर्निंग
  4. डीप लर्निंग

1. AI की उत्पत्ति: " आर्टिफिशियल इंटेलिजेंस " शब्द पहली बार 1956 में जॉन मैकार्थी द्वारा गढ़ा गया था, जब उन्होंने इस विषय पर पहला अकादमिक सम्मेलन आयोजित किया था। प्रारंभिक एआई कार्य समस्या-समाधान और प्रतीकात्मक तरीकों पर केंद्रित था।
2. न्यूरल नेटवर्क: न्यूरल नेटवर्क की अवधारणा, जो पैटर्न को पहचानने के लिए डिज़ाइन किए गए जैविक न्यूरॉन्स के सरलीकृत मॉडल हैं, 1950 के दशक के अंत में उभरी। वे मानव मस्तिष्क की संरचना और कार्यों के सिद्धांत पर निर्मित होते हैं - परस्पर जुड़े नोड्स या ' न्यूरॉन्स ' से निर्मित होते हैं, नोड्स की प्रत्येक परत एक से दूसरे तक अपने आउटपुट को फीड करती है।
3. मशीन लर्निंग: मशीन लर्निंग डेटा विश्लेषण की एक विधि है जो विश्लेषणात्मक मॉडल निर्माण को स्वचालित करती है। यह एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो सॉफ़्टवेयर एप्लीकेशन को स्पष्ट रूप से प्रोग्राम किए बिना परिणामों की भविष्यवाणी करने में अधिक सटीक होने की अनुमति देती है। एक विधि के रूप में मशीन लर्निंग 1990 के दशक में फलने-फूलने लगी। मुख्य विचार यह है कि किसी कार्य को निष्पादित करने के लिए विशिष्ट निर्देशों के साथ सॉफ़्टवेयर रूटीन को हार्डकोड करने के बजाय, हम उन्हें बड़ी मात्रा में डेटा प्रदान करते हैं और उन्हें स्वयं सीखने देते हैं।
4. डीप लर्निंग: मशीन लर्निंग का एक उपसमूह, डीप लर्निंग 2000 के दशक में विकसित हुआ। डीप लर्निंग एल्गोरिदम किसी दिए गए लॉजिकल संरचना के साथ डेटा का लगातार विश्लेषण करके मनुष्यों के समान निष्कर्ष निकालने का प्रयास करते हैं। इसे प्राप्त करने के लिए, वे मानव मस्तिष्क से प्रेरणा लेते हुए, न्यूरल नेटवर्क नामक एल्गोरिदम की एक स्तरित संरचना का उपयोग करते हैं। डीप लर्निंग में 'डीप ' नेटवर्क में परतों की संख्या को संदर्भित करता है - जितनी अधिक परतें, नेटवर्क उतना ही डीप । कंप्यूटिंग शक्ति में प्रगति और बड़े लेबल वाले डेटासेट के आगमन ने डीप लर्निंग मॉडल को पनपने की अनुमति दी। ये मॉडल छवि और वाक् पहचान कार्यों में विशेष रूप से अच्छे हैं।

सही उत्तर 'विकल्प 4: केवल (A), (B), और (C)' है। 

Key Points 

• अभिप्रेरणा की तकनीकें:
  • पुरस्कार​: अच्छे प्रदर्शन के लिए प्रोत्साहन या इनाम प्रदान करने से प्रेरणा में काफी वृद्धि हो सकती है। ये इनाम मौद्रिक या गैर-मौद्रिक हो सकते हैं, जैसे बोनस, पदोन्नति, या अतिरिक्त जिम्मेदारियाँ।
  • अवसर: विकास, सीखने और उन्नति के अवसर प्रदान करने से व्यक्तियों को बेहतर प्रदर्शन करने के लिए प्रेरित किया जा सकता है। इसमें प्रशिक्षण कार्यक्रम, कैरियर विकास योजनाएँ और चुनौतीपूर्ण कार्य शामिल हो सकते हैं।
  • मान्यता: कर्मचारियों के प्रयासों और उपलब्धियों को स्वीकार करने और उनकी सराहना करने से उनकी प्रेरणा बढ़ सकती है। मान्यता मौखिक प्रशंसा, पुरस्कार या सार्वजनिक स्वीकृति के रूप में हो सकती है।

Additional Information

• दंड:
  • दंड को आम तौर पर अभिप्रेरणा की तकनीक नहीं माना जाता है। जबकि यह अल्पावधि में अवांछनीय व्यवहार को ठीक कर सकता है, यह दीर्घावधि में नकारात्मक परिणाम जैसे भय, आक्रोश और मनोबल में कमी ला सकता है।
  • दंड एक शत्रुतापूर्ण कार्य वातावरण बना सकता है और व्यक्तियों को उनके प्रदर्शन में सुधार करने के लिए प्रभावी ढंग से प्रेरित नहीं कर सकता है।
• गलत विकल्प:
  • विकल्प 1: सभी (A), (B), (C), और (D) शामिल हैं, लेकिन दंड को एक प्रभावी प्रेरणा तकनीक नहीं माना जाता है।
  • विकल्प 2: केवल (A), (B), और (D) शामिल हैं, लेकिन जैसा कि उल्लेख किया गया है, दंड प्रेरणा के लिए एक पसंदीदा तरीका नहीं है।
  • विकल्प 3: केवल (B), (C), और (D) शामिल हैं, फिर से दंड को शामिल करते हुए जो प्रभावी नहीं है।

अवधारणा:

एजेंट: एक एजेंट वह चीज़ है जिसे सेंसर के माध्यम से अपने वातावरण को समझने और एक्चुएटर्स के माध्यम से उस वातावरण पर कार्य करने के रूप में देखा जा सकता है। उदाहरण: मानव एजेंट, रोबोटिक एजेंट आदि।

एजेंट आर्किटेक्चर और प्रोग्राम संयोजन के भी बराबर है।

स्पष्टीकरण:

एजेंटों में जिन कारकों पर विचार किया जाता है वे हैं इसके प्रदर्शन माप, पर्यावरण, एक्चुएटर्स, सेंसर।

• प्रदर्शन: सुरक्षित, तेज़, कानूनी, अधिकतम मुनाफ़ा।
• पर्यावरण: सड़कें, पैदल यात्री, ग्राहक
• एक्चुएटर्स: स्टीयरिंग व्हील, एक्सेलेरेटर, ब्रेक।
• सेंसर: कैमरा, स्पीडोमीटर, जीपीएस, कीबोर्ड।

पर्यावरण के प्रकार: पूरी तरह से अवलोकन योग्य, नियतात्मक, स्थिर, गतिशील, एकल एजेंट, अर्ध गतिशील।

एजेंट सेंसर के माध्यम से निरीक्षण करते हैं और लक्ष्यों को प्राप्त करने की दिशा में गतिविधि को निर्देशित करते हैं। एजेंट अपने लक्ष्यों को प्राप्त करना सीखकर अपने प्रदर्शन में सुधार करता है। रिफ्लेक्स मशीन एक बुद्धिमान एजेंट का एक उदाहरण है। एआई एजेंट में पर्यावरण को समझने की क्षमता होनी चाहिए।

सही उत्तर विकल्प 1 है।

प्रमुख बिंदु

ब्रांच और बाउंड:

सभी आंशिक पथों पर नज़र रखता है जो आगे की खोज के लिए एक कैंडिडेट हो सकते हैं। (उदा: A* Search, BFS )

सटीपेस्ट एक्सेंट हिल क्लाइम्बिंग​​:

वर्तमान स्थिति से सभी मूव पर विचार करता है और सर्वोत्तम मूव का चयन करता है। (उदा: हिल-क्लाइम्बिंग एल्गोरिथम। )

बाधा संतुष्टि:

समस्या की स्थिति का पता लगाता है जो बाधाओं के एक समूह को संतुष्ट करता है। (उदा: आठ क्वीन पजल। मैप कलरिंग समस्या।)

मीन्स-एंड-विश्लेषण:

वर्तमान स्थिति और लक्ष्य स्थिति के बीच अंतर का पता लगाता है। (उदा: मीन्स-एंड-विश्लेषण )

∴ अत: सही उत्तर A - I, B - IV, C - III, D - II है।

सही उत्तर विकल्प 3 है।

प्रमुख बिंदु

यदि चर V1 और V2 के बीच सहसंबंध 1 है, तो दोनों डेटा बिंदु एक सीधी रेखा में होंगे। परिणामस्वरूप, सभी तीन क्लस्टर केन्द्रक एक सीधी रेखा बनाएंगे।

अत: कथन I सही है लेकिन कथन II गलत है।

अतिरिक्त जानकारी

K-मीन्स क्लस्टरिंग, मशीन लर्निंग और डेटा विज्ञान में क्लस्टरिंग समस्याओं से निपटने के लिए उपयोग किया जाने वाला एक अपर्यवेक्षित लर्निंग एल्गोरिथम है। अपर्यवेक्षित लर्निंग एल्गोरिथम K-मीन्स क्लस्टरिंग बिना लेबल वाले डेटासेट को अलग-अलग क्लस्टर में विभाजित करता है। K प्रक्रिया के दौरान उत्पन्न होने वाले पूर्व-निर्धारित समूहों की संख्या निर्दिष्ट करता है; उदाहरण के लिए, यदि K=2 तो दो क्लस्टर बनाए जाएंगे और यदि K=3 तो तीन क्लस्टर बनाए जाएंगे।

सही उत्तर (ii) और (iii) है।

Key Points

1. डीप लर्निंग मशीन लर्निंग का एक उपसमूह है - यह सही है।
2. मशीन लर्निंग डीप लर्निंग का एक उपसमूह है - यह गलत है। संबंध वास्तव में विपरीत है - डीप लर्निंग मशीन लर्निंग का एक उपसमूह है।
3. आर्टिफिशियल इंटेलिजेंस डीप लर्निंग का एक उपसमूह है - यह भी गलत है। फिर से, संबंध विपरीत है - डीप लर्निंग AI का एक उपसमूह है।
4. डीप लर्निंग AI और ML का उन्नत रूप है - यह सही है। डीप लर्निंग मशीन लर्निंग का एक उन्नत रूप/AI और ML का उपसमूह है।

सही उत्तर समाचार अनुशंसा प्रणाली है।

Key Points

• एक्टिव लर्निंग एक प्रकार की मशीन लर्निंग है जहां एक मॉडल नए डेटा प्राप्त करने के लिए उपयोगकर्ता (या जानकारी के किसी अन्य स्रोत) से पूछताछ कर सकता है जिस पर उसे प्रशिक्षित किया जा सकता है।
• समाचार अनुशंसा प्रणाली एक ऐसा एप्लिकेशन है जहां एक्टिव लर्निंग को नियोजित किया जा सकता है, क्योंकि सिस्टम समय के साथ अपने प्रदर्शन को बेहतर बनाने के लिए उपयोगकर्ता की फीडबैक, रेटिंग या समाचार लेखों के साथ बातचीत से सीख सकता है।
• इसके विपरीत, एक धूल साफ करने वाली मशीन या स्वचालित वाहन मशीन लर्निंग का उपयोग कर सकते हैं, लेकिन आम तौर पर एक्टिव लर्निंग के उदाहरण नहीं होते हैं जब तक कि स्पष्ट रूप से मॉडल सुधार के लिए लगातार नई जानकारी का अनुरोध करने और आत्मसात करने की क्षमता के साथ डिज़ाइन नहीं किया जाता है।

सही उत्तर प्रशिक्षण है।

Key Points

• AI और मशीन लर्निंग प्रोजेक्टों में, "प्रशिक्षण" चरण उस प्रक्रिया को संदर्भित करता है जहां मशीन लर्निंग मॉडल को एक बड़े डेटासेट पर प्रशिक्षित किया जाता है, जिसे प्रशिक्षण डेटासेट के रूप में भी जाना जाता है।
• इस डेटा की गुणवत्ता और प्रासंगिकता मॉडल के प्रदर्शन के लिए बेहद महत्वपूर्ण है।
• मशीन लर्निंग मॉडल में दक्षता से तात्पर्य उस डेटा की सटीक भविष्यवाणी या वर्गीकरण करने की क्षमता से है जो उसने पहले नहीं देखा है (मूल्यांकन या परीक्षण सेट में)।
• यदि मॉडल को प्रशिक्षित करने के लिए उपयोग किया गया डेटा प्रासंगिक (संदर्भ या उस समस्या से संबंधित है जिसे हल करने के लिए मॉडल बनाया गया है) और प्रामाणिक (वास्तविक, सटीक, विश्वसनीय और भ्रामक नहीं है), तो मॉडल अधिक सटीक और बेहतर भविष्यवाणियों की संभावना है। 
• ऐसा इसलिए है क्योंकि ये मॉडल उन्हें दिए गए डेटा से सीखते हैं: वे पैटर्न की पहचान करते हैं, अनुमान लगाते हैं, और इस डेटा के संपर्क के माध्यम से अपने मापदंडों को समायोजित करते हैं।
• यदि प्रशिक्षण डेटा बुरा, भ्रामक या अप्रासंगिक है, तो नए, अनदेखे डेटा का सामना करने पर मॉडल बुरा प्रदर्शन करेगा।

Additional Information

• दूसरी ओर, "पंक्ति" डेटा के एकल, क्षैतिज सेट या डेटासेट में एंट्री को संदर्भित करता है, और "परीक्षण" मशीन लर्निंग में एक चरण है जहां एक प्रशिक्षित मॉडल को उसके प्रदर्शन का मूल्यांकन करने के लिए अदृश्य डेटा पर परीक्षण किया जाता है।
• हालांकि ये AI प्रोजेक्ट के महत्वपूर्ण घटक हैं, कथन विशेष रूप से प्रशिक्षण चरण की ओर इशारा कर रहा है जब डेटा की प्रासंगिकता और प्रामाणिकता AI प्रोजेक्ट की दक्षता में सुधार पर सबसे बड़ा प्रभाव डालती है।

सही उत्तर आर्टिफिशियल न्यूरल नेटवर्क है। 

 Key Points

• आर्टिफीसियल न्यूरल नेटवर्क (ANNs) डीप लर्निंग का आधार बनते हैं।
• मानव मस्तिष्क की संरचना और कार्य से प्रेरित, ANNs में जुड़े हुए नोड्स या "न्यूरॉन्स" शामिल हैं। पारंपरिक मशीन लर्निंग के डिसीजन ट्री और रैंडम फॉरेस्ट के विपरीत, ANNs कई लेयर में इन परस्पर जुड़े न्यूरॉन्स के माध्यम से डेटा को संसाधित करके जटिल पैटर्न और प्रतिनिधित्व सीख सकते हैं, जिससे वे डीप लर्निंग के मूल निर्माण खंड बन जाते हैं।

Additional Information

•  अन्य मशीन लर्निंग एल्गोरिदम के विपरीत, आर्टिफीसियल न्यूरल  नेटवर्क का पूर्वंनुमान या निर्णय लेने के लिए मानव मस्तिष्क की कार्यप्रणाली का अनुकरण करने का प्रयास करते हैं।

सही उत्तर क्लस्टरिंग -> अज्ञात डेटा सेट है

स्पष्टीकरण:

• आमतौर पर, क्लस्टरिंग का उपयोग डेटा में समानता और अंतर के आधार पर किसी अज्ञात डेटा सेट का विश्लेषण या समूह बनाने के लिए किया जाता है।
• क्लासिफिकेशन आम तौर पर श्रेणीबद्ध वर्ग लेबल की भविष्यवाणी करता है (जरूरी नहीं कि निरंतर डेटा)।
• रिग्रेशन आम तौर पर एक कंटियुअस आउटपुट की भविष्यवाणी करता है (जरूरी नहीं कि अलग डेटा सेट हो),
• डिसिशन ट्री  केवल डिस्क्रीट डेटा ही नहीं, बल्कि डिस्क्रीट और कंटियुअस डेटा दोनों को संभाल सकते हैं।

सही उत्तर आर्टिफिशियल न्यूरल नेटवर्क है। 

 Key Points

• आर्टिफीसियल न्यूरल नेटवर्क (ANNs) डीप लर्निंग का आधार बनते हैं।
• मानव मस्तिष्क की संरचना और कार्य से प्रेरित, ANNs में जुड़े हुए नोड्स या "न्यूरॉन्स" शामिल हैं। पारंपरिक मशीन लर्निंग के डिसीजन ट्री और रैंडम फॉरेस्ट के विपरीत, ANNs कई लेयर में इन परस्पर जुड़े न्यूरॉन्स के माध्यम से डेटा को संसाधित करके जटिल पैटर्न और प्रतिनिधित्व सीख सकते हैं, जिससे वे डीप लर्निंग के मूल निर्माण खंड बन जाते हैं।

Additional Information

•  अन्य मशीन लर्निंग एल्गोरिदम के विपरीत, आर्टिफीसियल न्यूरल  नेटवर्क का पूर्वंनुमान या निर्णय लेने के लिए मानव मस्तिष्क की कार्यप्रणाली का अनुकरण करने का प्रयास करते हैं।

सही उत्तर हिडन परत है।

Key Points

1. इनपुट परत: यह वह परत है जहां न्यूरल नेटवर्क प्रोसेसिंग के लिए डेटा लेता है। इस परत में प्रत्येक नोड इनपुट डेटा से एक फीचर वेरिएबल का प्रतिनिधित्व करता है।
2. हिडन परतें: इनपुट परत के बाद, हमारे पास एक या अधिक छिपी हुई परतें होती हैं। इन परतों को "हिडन" कहा जाता है, क्योंकि उनके इनपुट और आउटपुट सक्रियण फ़ंक्शन और अंतिम भविष्यवाणी द्वारा छिपाए जाते हैं। एक हिडन परत में प्रत्येक न्यूरॉन पिछली परत से सभी न्यूरॉन्स से इनपुट प्राप्त करता है, एक पूर्वाग्रह सुधार के साथ एक भारित योग लागू करता है, और इसे ReLU, सिग्मॉइड, tanh, आदि जैसे सक्रियण फ़ंक्शन के माध्यम से पास करता है। वे इनपुट डेटा से निरूपण सीखने के लिए और उन्हें ऐसी स्थिति में बदलने के लिए, जिसे आउटपुट परत द्वारा समझा जा सके, जिम्मेदार हैं। 
3. आउटपुट परत: अंतिम परत आउटपुट परत है जहां नेटवर्क भविष्यवाणी करता है। यह परत पिछली हिडन परत से प्रोसेस किया हुआ डेटा लेती है और इसे अंतिम आउटपुट फॉर्म में बदल देती है। आउटपुट लेयर के लिए सक्रियण फ़ंक्शन को कार्य के आधार पर चुना जाता है। उदाहरण के लिए, एक रिग्रेशन कार्य एक रैखिक फ़ंक्शन का उपयोग कर सकता है, एक बाइनरी क्लासिफिकेशन कार्य एक सिग्मॉइड फ़ंक्शन का उपयोग कर सकता है, और एक बहु-वर्ग क्लासिफिकेशन कार्य एक सॉफ्टमैक्स फ़ंक्शन का उपयोग कर सकता है।
4. न्यूरल नेटवर्क वास्तुकला में "डेटा परत" जैसी कोई चीज़ नहीं है। यह संभावित रूप से नेटवर्क में डेटा फीडिंग को संदर्भित कर सकता है, लेकिन यह स्वयं एक प्रोसेसिंग परत नहीं है।

अतः, वह परत जो न्यूरल नेटवर्क में प्रोसेसिंग करती है वह हिडन परत होती है।