UPSSSC Junior Assistant Computer Practice Set 15: Artificial Intelligence (AI) से संबंधित प्रश्न

By Rojgarbytes Sunday, October 19, 2025

नमस्ते साथियों! 👋
उत्तर प्रदेश अधीनस्त सेवा चयन आयोग (UPSSSC) द्वारा आयोजित विभिन्न प्रतियोगी परीक्षाओं जैसे कनिष्ठ सहायक (Junior Assistant), वन रक्षक (Forest Guard), आशुलिपिक (Stenographer), और नक़्शानवीस (Draftsman) की तैयारी में जुटे आप सभी का Rojgarbytes पर स्वागत है।

जैसा कि आप जानते हैं, UPSSSC आयोग ने आगामी महीनों में इन महत्वपूर्ण परीक्षाओं की घोषणा की है। इन सभी परीक्षाओं में कंप्यूटर ज्ञान (Computer Knowledge) एक महत्वपूर्ण एवं स्कोरिंग विषय है। इसी को ध्यान में रखते हुए, हम आपके लिए UPSSSC Junior Assistant Computer Practice Set की एक विशेष सीरीज शुरू किया है जिसमें हम पूरे सिलेबस को टॉपिक वाइज कवर कर रहे हैं। यह प्रैक्टिस सेट सीरीज आगामी सभी UPSSSC परीक्षाओं के लिए रामबाण साबित होगी क्योंकि इन सभी परीक्षाओं का कंप्यूटर सिलेबस (Computer Syllabus) लगभग समान है।

यह इस सीरीज का Practice Set No. 15 है जिसमें हम 'Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL) से संबंधित प्रश्न ' अध्याय को कवर करेंगे। इसमें हमने परीक्षा के दृष्टिकोण से 15 सबसे महत्वपूर्ण बहुविकल्पीय प्रश्नों (MCQs) को उनके विस्तृत स्पष्टीकरण (Detailed explanation) के साथ शामिल किया है। यह प्रैक्टिस सेट आपकी तैयारी को अंतिम रूप देने और पूरे सिलेबस का तेजी से रिवीजन करने में मदद करेगा।

इस Practice Set में आपको मिलेगा / In this Mock Test you will get:

UPSSSC आयोग स्तर के 15 महत्वपूर्ण कंप्यूटर MCQs (Model Question Paper)।
प्रश्नों के सटीक उत्तर और अन्य विकल्पों सहित विस्तृत व्याख्या (full Explanation)।
दोनों भाषाओं (हिंदी + English) में, ताकि कोई भी छात्र भाषा को लेकर असहज न हो।

⚠ नोट: यह Practice Set आपके कंप्यूटर एग्जाम की तैयारी को मजबूत करने के लिए बनाया गया है। हमारा लक्ष्य आपको हर तरह से बेहतर बनाना है ताकि आप एग्जाम में अच्छा स्कोर कर सकें। यह सिर्फ एक Practice Set है, इसलिए हम इस बात की गारंटी नहीं दे सकते कि एग्जाम में यही प्रश्न आएंगे।

UPSSSC Junior Assistant Computer Practice Set 14: Artificial Intelligence (AI) से संबंधित प्रश्न

Test your Computer Knowledge for UPSSSC Exam and check live score here.

अभ्यर्थियों के लिए निर्देश / Instructions for Candidates

यहाँ कुल 15 प्रश्न दिये गए हैं। सभी प्रश्नों के अंक समान हैं। There are a total of 15 questions. All questions carry equal marks.
प्रत्येक गलत उत्तर के लिए एक-चौथाई अंक काटा जाएगा। One-fourth mark will be deducted for each wrong answer.
यदि कोई प्रश्न अनुत्तरित रह जाता है तो परिणाम प्रदर्शित नहीं होगा। If any question is left unanswered, the result will not be displayed.

Question 1:

आर्टिफिशियल इंटेलिजेंस (AI) का जनक किसे माना जाता है? (Who is considered the father of Artificial Intelligence (AI)?)

a) एलन ट्यूरिंग (Alan Turing)
b) जॉन मैकार्थी (John McCarthy)
c) हर्बर्ट साइमन (Herbert Simon)
d) मार्विन मिंस्की (Marvin Minsky)
e) इनमें से कोई नहीं (None of these)

Correct: b) जॉन मैकार्थी (John McCarthy)

जॉन मैकार्थी (John McCarthy) को "आर्टिफिशियल इंटेलिजेंस का जनक" (Father of AI) माना जाता है। उन्होंने 1956 में डार्टमाउथ कॉन्फ्रेंस (Dartmouth Conference) का आयोजन किया और वहीं "आर्टिफिशियल इंटेलिजेंस" (Artificial Intelligence) शब्द गढ़ा। यह कॉन्फ्रेंस AI को एक औपचारिक अकादमिक क्षेत्र (Formal academic field) के रूप में स्थापित करने वाली मौलिक घटना थी।

a) एलन ट्यूरिंग (Alan Turing): इन्हें सैद्धांतिक कंप्यूटर विज्ञान (theoretical computer science) और AI का जनक माना जाता है। उन्होंने ट्यूरिंग टेस्ट (Turing Test) ( 1950) का प्रस्ताव रखा, जो मशीन की बुद्धिमत्ता का परीक्षण करने की एक विधि है।

c) हर्बर्ट साइमन (Herbert Simon) और d) मार्विन मिंस्की (Marvin Minsky): ये दोनों डार्टमाउथ कॉन्फ्रेंस के सह-आयोजक (co-organizers) थे और AI के क्षेत्र में अग्रणी शोधकर्ता थे। मिंस्की ने "परसेप्ट्रॉन" (Perceptrons) पुस्तक (Seymour Papert के साथ) लिखी, जिसका AI अनुसंधान पर बड़ा प्रभाव पड़ा।

Question 2:

वह AI जो केवल एक विशिष्ट कार्य करने के लिए डिज़ाइन किया गया है, जैसे कि शतरंज खेलना या वॉयस असिस्टेंट, उसे क्या कहा जाता है? (AI that is designed only to perform a specific task, such as playing chess or a voice assistant, is called?)

a) स्ट्रांग AI (Strong AI)
b) जनरल AI (General AI)
c) नैरो AI (Narrow AI)
d) सुपर AI (Super AI)
e) इनमें से कोई नहीं (None of these)

Correct: c) नैरो AI (Narrow AI)

AI को उसकी क्षमताओं के आधार पर वर्गीकृत किया जाता है:

c) नैरो AI (Narrow AI): इसे वीक AI (Weak AI) भी कहा जाता है। यह AI केवल एक संकीर्ण या विशिष्ट कार्य (narrow or specific task) करने में माहिर होता है। आज हम जिस भी AI का उपयोग करते हैं (जैसे Apple का Siri, Amazon का Alexa, Google Search, IBM का Deep Blue जिसने शतरंज खेला) वह सब नैरो AI का उदाहरण है।

a) स्ट्रांग AI (Strong AI): इसे आर्टिफिशियल जनरल इंटेलिजेंस (AGI) भी कहा जाता है। यह AI का एक सैद्धांतिक (hypothetical) रूप है जिसमें मानव जैसी संज्ञानात्मक क्षमताएं (human-like cognitive abilities) होंगी, यानी यह किसी भी बौद्धिक कार्य को समझ, सीख और लागू कर सकता है जो एक इंसान कर सकता है।

d) सुपर AI (Super AI): यह एक भविष्य की सैद्धांतिक अवधारणा है जहाँ AI न केवल मानव बुद्धिमत्ता की बराबरी करेगा, बल्कि उससे कहीं अधिक आगे निकल जाएगी।

Question 3:

AI, ML और DL के संबंध में निम्नलिखित कथनों पर विचार करें: (Consider the following statements regarding AI, ML, and DL:)

मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस का एक उपसमुच्चय है। (ML is a subset of AI.)
डीप लर्निंग, मशीन लर्निंग का एक उपसमुच्चय है। (DL is a subset of ML.)
सभी AI सिस्टम मशीन लर्निंग का उपयोग करते हैं। (All AI systems use ML.)

उपरोक्त में से कितने कथन सत्य (true) हैं? (How many of the above statements are true?)

a) केवल एक (Only one)
b) केवल दो (Only two)
c) सभी तीन (All three)
d) कोई नहीं (None)
e) इनमें से कोई नहीं (None of these)

Correct: b) केवल दो (Only two)

इन तीनों के बीच का संबंध एक पदानुक्रम (hierarchy) है:

AI (आर्टिफिशियल इंटेलिजेंस): यह सबसे व्यापक अवधारणा (broadest concept) है, जिसमें ऐसी कोई भी तकनीक शामिल है जो मशीनों को मानव बुद्धिमत्ता (human intelligence) की नकल करने में सक्षम बनाती है।
ML (मशीन लर्निंग): यह AI को प्राप्त करने का एक तरीका (a method) है। यह AI का एक उपसमुच्चय (subset) है जो मशीनों को स्पष्ट रूप से प्रोग्राम किए बिना डेटा से सीखने (learn from data) की क्षमता देता है। ( कथन 1 सत्य है)
DL (डीप लर्निंग): यह ML को लागू करने का एक विशिष्ट तरीका (a specific way) है। यह ML का एक उपसमुच्चय (subset) है जो जटिल पैटर्न सीखने के लिए आर्टिफिशियल न्यूरल नेटवर्क्स (Artificial Neural Networks) की कई परतों (multiple layers) का उपयोग करता है। (कथन 2 सत्य है)

कथन 3 असत्य है क्योंकि सभी AI सिस्टम ML का उपयोग नहीं करते हैं। उदाहरण के लिए, शुरुआती AI सिस्टम "नियम-आधारित" (rule-based) या "विशेषज्ञ सिस्टम" (Expert Systems) थे, जो ML पर नहीं, बल्कि मनुष्यों द्वारा प्रोग्राम किए गए IF-THEN नियमों पर निर्भर करते थे।

Question 4:

लर्निंग में, मशीन को लेबल किए गए डेटा से प्रशिक्षित किया जाता है, जहाँ इनपुट और अपेक्षित आउटपुट दोनों प्रदान किए जाते हैं। (In learning, the machine is trained on labeled data, where both the input and the expected output are provided.)

a) सुपरवाइज्ड (Supervised)
b) अनसुपरवाइज्ड (Unsupervised)
c) रीइन्फोर्समेंट (Reinforcement)
d) सेमी-सुपरवाइज्ड (Semi-supervised)
e) इनमें से कोई नहीं (None of these)

Correct: a) सुपरवाइज्ड (Supervised)

मशीन लर्निंग के मुख्य प्रकार:

a) सुपरवाइज्ड लर्निंग (Supervised Learning): इसमें मॉडल को लेबल किए गए डेटा (labeled data) पर प्रशिक्षित किया जाता है। इसका मतलब है कि प्रत्येक इनपुट डेटापॉइंट के लिए, "सही उत्तर" (correct answer) या आउटपुट पहले से ही ज्ञात होता है। यह एक शिक्षक (supervisor) की तरह है जो मॉडल को बताता है कि सही आउटपुट क्या होना चाहिए। (उदाहरण: स्पैम फ़िल्टरिंग, हाउस प्राइस प्रेडिक्शन)।

b) अनसुपरवाइज्ड लर्निंग (Unsupervised Learning): इसमें मॉडल को अनलेबल डेटा (unlabeled data) दिया जाता है और उसे स्वयं पैटर्न या संरचनाएं (patterns or structures) खोजने के लिए कहा जाता है। (उदाहरण: ग्राहक समूहीकरण/क्लस्टरिंग)।

c) रीइन्फोर्समेंट लर्निंग (Reinforcement Learning): इसमें एक "एजेंट" (agent) एक "वातावरण" (environment) में कार्य (actions) करके सीखता है। उसे सही कार्यों के लिए "पुरस्कार" (rewards) और गलत कार्यों के लिए "दंड" (penalties) मिलते हैं, जिससे वह समय के साथ सबसे अच्छा मार्ग सीखता है। (उदाहरण: गेम खेलना, रोबोटिक्स)।

Question 5:

अभिकथन (Assertion - A): डीप लर्निंग मॉडल को पारंपरिक मशीन लर्निंग मॉडल की तुलना में कम मैन्युअल फ़ीचर इंजीनियरिंग की आवश्यकता होती है। (Deep Learning models require less manual feature engineering compared to traditional Machine Learning models.)
कारण (Reason - R): डीप लर्निंग मॉडल, विशेष रूप से कन्वोल्यूशनल न्यूरल नेटवर्क्स (CNNs), डेटा से स्वचालित रूप से पदानुक्रमित सुविधाएँ सीख सकते हैं। (Deep Learning models, especially Convolutional Neural Networks (CNNs), can automatically learn hierarchical features from data.)

सही विकल्प चुनें: (Choose the correct option:)

a) A और R दोनों सत्य हैं, और R, A की सही व्याख्या है। (Both A and R are true, and R is the correct explanation of A.)
b) A और R दोनों सत्य हैं, लेकिन R, A की सही व्याख्या नहीं है। (Both A and R are true, but R is not the correct explanation of A.)
c) A सत्य है, लेकिन R असत्य है। (A is true, but R is false.)
d) A असत्य है, लेकिन R सत्य है। (A is false, but R is true.)
e) इनमें से कोई नहीं (None of these)

Correct: a) A और R दोनों सत्य हैं, और R, A की सही व्याख्या है। (Both A and R are true, and R is the correct explanation of A.)

फ़ीचर इंजीनियरिंग (Feature Engineering) वह प्रक्रिया है जिसमें डेटा से सबसे प्रासंगिक (relevant) विशेषताओं या इनपुट वेरिएबल्स को मैन्युअल रूप से चुना, निकाला या बनाया जाता है। पारंपरिक ML (जैसे SVM, लॉजिस्टिक रिग्रेशन) में, यह कदम महत्वपूर्ण है और इसमें विशेषज्ञ ज्ञान (domain expertise) की आवश्यकता होती है।

अभिकथन (A) सत्य है क्योंकि डीप लर्निंग का एक मुख्य लाभ यह है कि यह इस प्रक्रिया को स्वचालित (automates) करता है।

कारण (R) भी सत्य है और यह बताता है कि A क्यों सत्य है। डीप न्यूरल नेटवर्क (जैसे CNNs) में कई परतें (layers) होती हैं। निचली परतें सरल सुविधाएँ (simple features) (जैसे एक छवि में किनारे या कोने) सीखती हैं, और ऊपरी परतें इन सरल सुविधाओं को मिलाकर अधिक जटिल, पदानुक्रमित सुविधाएँ (hierarchical features) (जैसे आकार, वस्तु के हिस्से) सीखती हैं। इसे स्वचालित फ़ीचर लर्निंग (automatic feature learning) कहा जाता है। इसलिए, R, A की सही व्याख्या है।

Question 6:

निम्नलिखित में से कौन सा अनसुपरवाइज्ड मशीन लर्निंग का एक विशिष्ट उदाहरण है? (Which of the following is a typical example of Unsupervised Machine Learning?)

a) ईमेल स्पैम फ़िल्टरिंग (Email spam filtering)
b) स्टॉक मूल्य की भविष्यवाणी (Stock price prediction)
c) ग्राहकों को उनकी खरीदारी की आदतों के आधार पर समूहीकृत करना (Grouping customers based on their purchase habits)
d) हस्तलिखित अंकों की पहचान (Handwritten digit recognition)
e) इनमें से कोई नहीं (None of these)

Correct: c) ग्राहकों को उनकी खरीदारी की आदतों के आधार पर समूहीकृत करना (Grouping customers based on their purchase habits)

c) ग्राहक समूहीकरण (Customer Segmentation): यह क्लस्टरिंग (Clustering) का एक क्लासिक उदाहरण है। यहाँ, हमारे पास ग्राहकों के बारे में डेटा है, लेकिन कोई पूर्व-निर्धारित लेबल (pre-defined labels) नहीं हैं। अनसुपरवाइज्ड एल्गोरिथ्म का लक्ष्य समान ग्राहकों के "समूह" (clusters) को स्वाभाविक रूप से खोजना है।

a), b), d): ये सभी सुपरवाइज्ड लर्निंग (Supervised Learning) के उदाहरण हैं।

(a) स्पैम फ़िल्टरिंग: यह एक क्लासिफिकेशन (Classification) कार्य है (लेबल: स्पैम / नॉट स्पैम)।

(b) स्टॉक मूल्य भविष्यवाणी: यह एक रिग्रेशन (Regression) कार्य है (लेबल: भविष्य की कीमत, जो एक निरंतर मान है)।

(d) अंक पहचान: यह एक क्लासिफिकेशन (Classification) कार्य है (लेबल: 0, 1, 2, ..., 9)।

Question 7:

एक अस्पताल एक एमएल मॉडल बनाना चाहता है जो रोगी के नैदानिक डेटा (जैसे रक्तचाप, कोलेस्ट्रॉल स्तर, आयु) के आधार पर यह भविष्यवाणी कर सके कि रोगी को अगले 5 वर्षों में हृदय रोग होने की "संभावना" (0% से 100% तक) कितनी है। इस कार्य के लिए किस प्रकार का ML एल्गोरिथ्म सबसे उपयुक्त होगा? (A hospital wants to build an ML model that can predict the "probability" (from 0% to 100%) of a patient developing heart disease in the next 5 years, based on their clinical data (e.g., blood pressure, cholesterol level, age). Which type of ML algorithm would be most suitable for this task?)

a) लॉजिस्टिक रिग्रेशन (Logistic Regression)
b) K-मीन्स क्लस्टरिंग (K-Means Clustering)
c) लीनियर रिग्रेशन (Linear Regression)
d) अप्रीओरी एल्गोरिथ्म (Apriori Algorithm)
e) इनमें से कोई नहीं (None of these)

Correct: a) लॉजिस्टिक रिग्रेशन (Logistic Regression)

यह समस्या एक क्लासिफिकेशन (Classification) समस्या है, लेकिन यह केवल "हाँ" या "नहीं" नहीं पूछ रही है, बल्कि एक "संभावना" (probability) पूछ रही है।

a) लॉजिस्टिक रिग्रेशन (Logistic Regression): यह एक क्लासिफिकेशन एल्गोरिथ्म है जिसका उपयोग विशेष रूप से एक बाइनरी परिणाम (जैसे 'बीमारी है' / 'बीमारी नहीं है') की संभावना (probability) का अनुमान लगाने के लिए किया जाता है। यह आउटपुट को 0 और 1 के बीच एक मान (सिग्मॉइड फ़ंक्शन का उपयोग करके) के रूप में देता है, जिसे सीधे संभावना के रूप में व्याख्या किया जा सकता है।

b) K-मीन्स क्लस्टरिंग (K-Means Clustering): यह अनसुपरवाइज्ड है और इसका उपयोग रोगियों को लेबल के बिना समूहित करने के लिए किया जाएगा।

c) लीनियर रिग्रेशन (Linear Regression): इसका उपयोग एक निरंतर मान (continuous value) की भविष्यवाणी करने के लिए किया जाता है (जैसे रक्तचाप का स्तर क्या होगा), न कि किसी घटना की संभावना के लिए।

d) अप्रीओरी एल्गोरिथ्म (Apriori Algorithm): इसका उपयोग एसोसिएशन रूल माइनिंग (association rule mining) के लिए किया जाता है (जैसे, कौन सी दवाएं एक साथ खरीदी जाती हैं)।

Question 8:

सूची-I को सूची-II के साथ सुमेलित करें: (Match List-I (ML Task) with List-II (Algorithm):)

सूची-I (List-I)	सूची-II (List-II)
1. रिग्रेशन (Regression)	(i) K-नियरेस्ट नेबर्स (K-Nearest Neighbors - KNN)
2. क्लस्टरिंग (Clustering)	(ii) K-मीन्स (K-Means)
3. क्लासिफिकेशन (Classification)	(iii) लीनियर रिग्रेशन (Linear Regression)

सही कूट चुनें: (Choose the correct code:)

a) 1-(i), 2-(ii), 3-(iii)
b) 1-(iii), 2-(i), 3-(ii)
c) 1-(iii), 2-(ii), 3-(i)
d) 1-(ii), 2-(iii), 3-(i)
e) इनमें से कोई नहीं (None of these)

Correct: c) 1-(iii), 2-(ii), 3-(i)

रिग्रेशन (Regression): यह एक सुपरवाइज्ड कार्य है जहाँ आउटपुट एक निरंतर मान (continuous value) (जैसे मूल्य, तापमान) होता है। (iii) लीनियर रिग्रेशन (Linear Regression) इसका एक प्रमुख उदाहरण है।
क्लस्टरिंग (Clustering): यह एक अनसुपरवाइज्ड कार्य है जहाँ डेटा को बिना लेबल के समान समूहों (clusters) में बांटा जाता है। (ii) K-मीन्स (K-Means) सबसे प्रसिद्ध क्लस्टरिंग एल्गोरिदम में से एक है।
क्लासिफिकेशन (Classification): यह एक सुपरवाइज्ड कार्य है जहाँ आउटपुट एक श्रेणी (category) (जैसे 'स्पैम'/'नॉट स्पैम', 'बिल्ली'/'कुत्ता') होता है। (i) K-नियरेस्ट नेबर्स (K-Nearest Neighbors - KNN) एक लोकप्रिय क्लासिफिकेशन एल्गोरिथ्म है (हालांकि इसका उपयोग रिग्रेशन के लिए भी किया जा सकता है, यह मुख्य रूप से क्लासिफिकेशन के लिए जाना जाता है)।

Question 9:

AI के इतिहास में निम्नलिखित घटनाओं को कालानुक्रमिक क्रम (chronological order) में व्यवस्थित करें: (Arrange the following events in the history of AI in chronological order:)

ट्यूरिंग टेस्ट का प्रस्ताव। (Proposal of the Turing Test.)
"आर्टिफिशियल इंटेलिजेंस" शब्द का गढ़ा जाना (डार्टमाउथ कॉन्फ्रेंस)। (Coining of the term "Artificial Intelligence" (Dartmouth Conference).)
IBM के डीप ब्लू ने गैरी कास्पारोव को हराया। (IBM's Deep Blue defeats Garry Kasparov.)
एलेक्सनेट ने ImageNet प्रतियोगिता जीती। (AlexNet wins the ImageNet competition.)

a) 1, 2, 3, 4
b) 2, 1, 3, 4
c) 1, 3, 2, 4
d) 2, 1, 4, 3
e) इनमें से कोई नहीं (None of these)

Correct: a) 1, 2, 3, 4

सही कालानुक्रमिक क्रम है:

ट्यूरिंग टेस्ट (Turing Test) (1950): एलन ट्यूरिंग ने अपने 1950 के पेपर "कम्प्यूटिंग मशीनरी एंड इंटेलिजेंस" में इसका प्रस्ताव रखा।
डार्टमाउथ कॉन्फ्रेंस (Dartmouth Conference) (1956): जॉन मैकार्थी ने "आर्टिफिशियल इंटेलिजेंस" शब्द गढ़ा और इस क्षेत्र की औपचारिक शुरुआत की।
डीप ब्लू बनाम कास्पारोव (Deep Blue vs. Kasparov) (1997): IBM के डीप ब्लू सुपरकंप्यूटर ने विश्व शतरंज चैंपियन गैरी कास्पारोव को एक मैच में हराया, जो AI के लिए एक बड़ी उपलब्धि थी।
एलेक्सनेट (AlexNet) (2012): इस कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) ने ImageNet प्रतियोगिता में शानदार जीत हासिल की। इस घटना ने डीप लर्निंग (Deep Learning) क्रांति की शुरुआत की और AI में वर्तमान उछाल (current boom) को जन्म दिया।

Question 10:

निम्नलिखित में से कौन सा फेसबुक के AI रिसर्च लैब (FAIR) द्वारा विकसित एक ओपन-सोर्स डीप लर्निंग फ्रेमवर्क है, जो अपनी गतिशीलता और अनुसंधान में लोकप्रियता के लिए जाना जाता है? (Which of the following is an open-source Deep Learning framework developed by Facebook's (Meta) AI Research lab (FAIR), known for its dynamic nature and popularity in research?)

a) टेंसरफ्लो (TensorFlow)
b) पाइ-टॉर्च (PyTorch)
c) केरस (Keras)
d) स्किकिट-लर्न (Scikit-learn)
e) इनमें से कोई नहीं (None of these)

Correct: b) पाइ-टॉर्च (PyTorch)

b) पाइ-टॉर्च (PyTorch): यह फेसबुक (अब मेटा) के FAIR लैब द्वारा विकसित किया गया था। यह "डिफाइन-बाय-रन" (Define-by-Run) दृष्टिकोण (डायनामिक कंप्यूटेशनल ग्राफ) के लिए जाना जाता है, जो इसे अनुसंधान और प्रोटोटाइपिंग के लिए बहुत लचीला (flexible) बनाता है।

a) टेंसरफ्लो (TensorFlow): यह गूगल ब्रेन (Google Brain) टीम द्वारा विकसित किया गया था। यह उत्पादन (production) और स्केलेबिलिटी (scalability) के लिए बहुत लोकप्रिय है।

c) केरस (Keras): यह एक उच्च-स्तरीय (high-level) न्यूरल नेटवर्क API है जो टेंसरफ्लो (या अन्य बैकएंड) के ऊपर चलता है। इसे उपयोग में आसानी (ease of use) के लिए डिज़ाइन किया गया है।

d) स्किकिट-लर्न (Scikit-learn): यह पारंपरिक मशीन लर्निंग (traditional ML) (जैसे SVM, रैंडम फ़ॉरेस्ट, K-मीन्स) के लिए सबसे लोकप्रिय लाइब्रेरी है, न कि डीप लर्निंग के लिए।

Question 11:

डिसीजन ट्री एल्गोरिथ्म में, डेटा को विभाजित करने के लिए सबसे अच्छे फ़ीचर का चयन करने के लिए निम्नलिखित में से किस माप का उपयोग किया जाता है? (In the Decision Tree algorithm, which of the following measures is used to select the best feature for splitting the data?)

a) पियर्सन कोरिलेशन (Pearson Correlation)
b) यूक्लिडियन डिस्टेंस (Euclidean Distance)
c) इंफॉर्मेशन गेन (Information Gain)
d) मीन स्क्वायर्ड एरर (Mean Squared Error)
e) इनमें से कोई नहीं (None of these)

Correct: c) इंफॉर्मेशन गेन (Information Gain)

डिसीजन ट्री यह तय करके काम करते हैं कि किस फ़ीचर (जैसे 'आयु' या 'आय') पर डेटा को विभाजित (split) करने से सबसे "शुद्ध" (pure) उप-समूह (sub-groups) बनेंगे।

c) इंफॉर्मेशन गेन (Information Gain): यह एन्ट्रॉपी (Entropy) (अव्यवस्था या अशुद्धता का माप) की अवधारणा पर आधारित है। एक डिसीजन ट्री उस फ़ीचर को चुनता है जो विभाजन के बाद एन्ट्रॉपी को सबसे अधिक कम करता है (यानी, इंफॉर्मेशन गेन को अधिकतम करता है)। एक अन्य लोकप्रिय माप गिनी इम्प्योरिटी (Gini Impurity) है।

a) पियर्सन कोरिलेशन (Pearson Correlation): दो निरंतर चरों (continuous variables) के बीच रैखिक संबंध को मापता है।

b) यूक्लिडियन डिस्टेंस (Euclidean Distance): दो बिंदुओं के बीच की दूरी को मापता है, जिसका उपयोग K-मीन्स (K-Means) या K-NN में किया जाता है।

d) मीन स्क्वायर्ड एरर (Mean Squared Error): इसका उपयोग रिग्रेशन (Regression) मॉडल (रिग्रेशन ट्री सहित) के प्रदर्शन का मूल्यांकन करने के लिए किया जाता है, न कि क्लासिफिकेशन ट्री में स्प्लिट्स चुनने के लिए।

Question 12:

निम्नलिखित में से कौन सी भाषा पारंपरिक रूप से AI प्रोग्रामिंग से प्रमुख रूप से संबद्ध नहीं है? (Which of the following languages is NOT primarily associated with traditional or modern AI programming?)

a) लिस्प (LISP)
b) प्रोलॉग (Prolog)
c) पाइथन (Python)
d) पीएचपी (PHP)
e) इनमें से कोई नहीं (None of these)

Correct: d) पीएचपी (PHP)

a) लिस्प (LISP): (List Processing) - 1958 में जॉन मैकार्थी द्वारा आविष्कार किया गया, यह AI अनुसंधान की मौलिक (foundational) भाषा थी।

b) प्रोलॉग (Prolog): (Programming in Logic) - 1970 के दशक में विकसित, यह लॉजिक प्रोग्रामिंग और विशेषज्ञ प्रणालियों (expert systems) के लिए महत्वपूर्ण थी।

c) पाइथन (Python): यह आधुनिक AI (modern AI), मशीन लर्निंग और डीप लर्निंग के लिए प्रमुख (dominant) भाषा है, जिसका कारण TensorFlow, PyTorch, और Scikit-learn जैसी शक्तिशाली लाइब्रेरियां हैं।

d) पीएचपी (PHP): यह एक स्क्रिप्टिंग भाषा है जिसका उपयोग मुख्य रूप से वेब डेवलपमेंट (web development) (सर्वर-साइड स्क्रिप्टिंग) के लिए किया जाता है। यह AI के लिए एक सामान्य विकल्प नहीं है।

Question 13:

एक डीप लर्निंग मॉडल में ओवरफिटिंग को कम करने के लिए किन तकनीकों का उपयोग किया जा सकता है? (Which techniques can be used to reduce Overfitting in a Deep Learning model?)

ड्रॉपआउट (Dropout)
L1/L2 रेगुलराइजेशन (L1/L2 Regularization)
डेटा ऑगमेंटेशन (Data Augmentation)
ट्रेनिंग इपॉक्स (Training Epochs) की संख्या बढ़ाना (Increasing the number of training epochs)

सही विकल्प चुनें: (Choose the correct option:)

a) केवल 1 और 2 (Only 1 and 2)
b) केवल 1, 2 और 3 (Only 1, 2 and 3)
c) केवल 3 और 4 (Only 3 and 4)
d) सभी 1, 2, 3 और 4 (All 1, 2, 3 and 4)
e) इनमें से कोई नहीं (None of these)

Correct: b) केवल 1, 2 और 3 (Only 1, 2 and 3)

ओवरफिटिंग (Overfitting) तब होती है जब मॉडल ट्रेनिंग डेटा को "रट लेता है" (memorizes) लेकिन नए, अनदेखे डेटा (unseen data) पर खराब प्रदर्शन करता है। इसे कम करने की तकनीकें (जिन्हें रेगुलराइजेशन तकनीक कहा जाता है) हैं:

ड्रॉपआउट (Dropout): ट्रेनिंग के दौरान बेतरतीब ढंग से (randomly) कुछ न्यूरॉन्स को "बंद" (deactivates) कर देता है, जिससे नेटवर्क किसी एक न्यूरॉन पर बहुत अधिक निर्भर होने से बचता है। (सही)
L1/L2 रेगुलराइजेशन (L1/L2 Regularization): मॉडल के वेट्स (weights) को बहुत बड़ा होने से रोकने के लिए लॉस फ़ंक्शन (loss function) में एक दंड (penalty) जोड़ता है, जिससे मॉडल सरल (simpler) बनता है। (सही)
डेटा ऑगमेंटेशन (Data Augmentation): मौजूदा ट्रेनिंग डेटा (जैसे छवियों को घुमाना, ज़ूम करना या फ़्लिप करना) में कृत्रिम रूप से (artificially) विविधता लाकर ट्रेनिंग सेट का आकार बढ़ाता है। (सही)
इपॉक्स बढ़ाना (Increasing Epochs): आमतौर पर, ट्रेनिंग इपॉक्स (training epochs) (ट्रेनिंग डेटा पर पूर्ण पास की संख्या) बढ़ाने से मॉडल ट्रेनिंग डेटा पर और भी अधिक फिट हो जाता है, जिससे ओवरफिटिंग बढ़ जाती है, कम नहीं होती। ओवरफिटिंग से बचने के लिए "अर्ली स्टॉपिंग" (Early Stopping) (यानी, इपॉक्स को जल्दी रोकना) का उपयोग किया जाता है। (गलत)

Question 14:

गहरे न्यूरल नेटवर्क में, 'वैनिशिंग ग्रेडिएंट प्रॉब्लम' का मुख्य कारण क्या है? (In deep neural networks, what is the main cause of the 'Vanishing Gradient Problem'?)

a) बहुत अधिक लर्निंग रेट (Very high learning rate)
b) सिग्मॉइड (Sigmoid) या tanh जैसे एक्टिवेशन फ़ंक्शंस का उपयोग (Use of activation functions like Sigmoid or tanh)
c) ड्रॉपआउट (Dropout) का अत्यधिक उपयोग
d) बहुत कम ट्रेनिंग डेटा (Too little training data)
e) इनमें से कोई नहीं (None of these)

Correct: b) सिग्मॉइड (Sigmoid) या tanh जैसे एक्टिवेशन फ़ंक्शंस का उपयोग (Use of activation functions like Sigmoid or tanh)

वैनिशिंग ग्रेडिएंट प्रॉब्लम (Vanishing Gradient Problem): बैकप्रोपोगेशन (backpropagation) के दौरान, ग्रेडिएंट्स (जो वेट्स को अपडेट करने के लिए उपयोग किए जाते हैं) बहुत छोटे (vanish) हो जाते हैं जब वे कई परतों (many layers) से पीछे की ओर यात्रा करते हैं।

b) कारण (Cause): सिग्मॉइड (Sigmoid) और tanh फ़ंक्शंस इनपुट को एक छोटी सी सीमा में "स्क्वैश" (squash) करते हैं। इन फ़ंक्शंस का डेरिवेटिव (derivative) बहुत छोटा होता है (विशेषकर जब इनपुट 0 से दूर हों)। जब इन छोटे डेरिवेटिव्स को चेन रूल (chain rule) का उपयोग करके कई परतों में एक साथ गुणा किया जाता है, तो परिणामी ग्रेडिएंट तेजी से शून्य की ओर घटता है।

इस समस्या का समाधान ReLU (Rectified Linear Unit) एक्टिवेशन फ़ंक्शन के उपयोग से किया गया, जिसका डेरिवेटिव पॉजिटिव इनपुट के लिए 1 होता है, जिससे ग्रेडिएंट प्रवाहित (flow) होता रहता है।

a) बहुत अधिक लर्निंग रेट (Very high learning rate): यह एक्सप्लोडिंग ग्रेडिएंट प्रॉब्लम (Exploding Gradient Problem) (जहाँ ग्रेडिएंट बहुत बड़े हो जाते हैं) का कारण बनता है।

Question 15:

एप्पल द्वारा विकसित वर्चुअल असिस्टेंट है, जबकि अमेज़न द्वारा विकसित है। (The virtual assistant developed by Apple is , while the one developed by Amazon is .)

a) सिरी (Siri), कोरटाना (Cortana)
b) गूगल असिस्टेंट (Google Assistant), सिरी (Siri)
c) कोरटाना (Cortana), एलेक्सा (Alexa)
d) सिरी (Siri), एलेक्सा (Alexa)
e) इनमें से कोई नहीं (None of these)

Correct: d) सिरी (Siri), एलेक्सा (Alexa)

यह लोकप्रिय नैरो AI (Narrow AI) अनुप्रयोगों पर आधारित एक तथ्यात्मक प्रश्न है:

सिरी (Siri): एप्पल (Apple Inc.) का वर्चुअल असिस्टेंट है, जो iOS, macOS और अन्य Apple डिवाइस पर उपलब्ध है।
एलेक्सा (Alexa): अमेज़न (Amazon) का वर्चुअल असिस्टेंट है, जो मुख्य रूप से Amazon Echo स्मार्ट स्पीकर में उपयोग होता है।
कोरटाना (Cortana): माइक्रोसॉफ्ट (Microsoft) का वर्चुअल असिस्टेंट है।
गूगल असिस्टेंट (Google Assistant): गूगल (Google) का वर्चुअल असिस्टेंट है।

Performance Stats

Correct Answer

Wrong Answer

Negative Marks

Final Score

Accuracy

निष्कर्ष (Conclusion)

साथियों, हमें उम्मीद है कि UPSSSC Junior Assistant Computer Practice Set 15" पर आधारित यह विशेष अभ्यास सेट आपकी तैयारी में सहायक सिद्ध होगा। इस प्रैक्टिस सेट के माध्यम से हमने कम्प्यूटर नेटवर्किंग (Computer Networking) से जुड़े उन सभी महत्वपूर्ण प्रश्नों को कवर करने का प्रयास किया है, जो अक्सर UPSSSC की विभिन्न परीक्षाओं जैसे जूनियर असिस्टेंट, फॉरेस्ट गार्ड, स्टेनोग्राफर, और अन्य में पूछे जाते हैं। याद रखें, परीक्षा में सफलता के लिए केवल पढ़ना ही पर्याप्त नहीं है, बल्कि पढ़े हुए ज्ञान का सही समय पर सही तरीके से उपयोग करना भी जरूरी है।

नियमित अभ्यास और कड़ी मेहनत ही आपको आपके लक्ष्य तक पहुंचाएगी। Rojgarbytes पर हम इसी तरह के और भी प्रैक्टिस सेट्स और साप्ताहिक मॉक टेस्ट (Mock Tests) आपके लिए लाते रहेंगे ताकि आपकी तैयारी पूरी तरह से एग्जाम-रेडी हो सके। हमारा अगला प्रैक्टिस सेट 16, Microsoft Word पर आधारित होगा। हमारे साथ जुड़े रहें, नियमित अभ्यास करते रहें और अपनी तैयारी को मजबूत बनाएं।

इसे अपने साथियों के साथ भी शेयर करें ताकि वे भी इसका लाभ उठा सकें।

"जो पानी से नहाएगा, वो सिर्फ़ लिबास बदल सकता है, लेकिन जो पसीने से नहाएगा, वो इतिहास बदल सकता है।"

Search This Blog

Rojgar Bytes - Computer Notes & Practice