Transcription
您的 AI 考试快到了吗？那么这个视频非常适合您，因为我们将讨论 2025-26 届 AI 十年级考试的 CBSC 样卷。我将完成整个样卷。所以这将是对教学大纲的一次很好的复习。您将看到格式、问题类型。他们问了很多应用题。所以您将对预期有所了解，我将向您展示解决所有问题的技巧和窍门，我向您保证这将有助于您提高分数。所以请务必观看视频直到最后，并与您的朋友分享。话不多说，让我们开始吧。在我们开始之前，快速提醒一下，请查看我们网站 monochacademy.com 上的课程和我们的 Android 应用程序 manaacademy。所有链接都在下面，也请与您的朋友分享。好了，现在让我们深入研究试卷。所以在这里，在我们看试卷之前，这是 CBSC 委员会给出的蓝图。正如您所见，有 10 分分配给就业技能部分，这是它的划分方式：沟通技巧、自我管理技巧、ICT 技巧、创业技巧、绿色技能，对吧？他们说总共有 10 分的问题。好的。您可以看到有客观题和简答题。所以客观题是 4 分，简答题是 6 分。总共是 10 分。所以您有一个好处是您有选择。所以我想您可以在这里尝试 6 道中的 4 道，在这里尝试 5 道中的 3 道。好的。然后是 B 部分，这是主观的、具体的题目，基本上是您的人工智能。所以这是它的划分方式。看看 AI 和项目周期的回顾。所以他们给了您权重，您知道，总共有七个问题，然后是 AI 中建模的高级概念。然后是第三单元，评估模型计算机视觉，他们给了您总的划分，您可以看到总共是 40 分。这里您也有一些选择。好了。所以这是基本蓝图，这份试卷可以在网站上找到。我也会在下面的描述中放一个链接，所以您可以仔细查看这个蓝图，这是关于考试试卷的详细信息。正如您所看到的，试卷是 50 分的试卷。所以您的试卷是 50 分，分配的时间是 2 小时。好的。它说试卷有 21 个问题，分为两个部分。A 部分和 B 部分。A 部分是客观题，B 部分是主观题。在 21 个问题中，考生必须完成总共 15 个问题，A 部分 5 个，B 部分 10 个。他们给了您 2 小时的时间，看看这是如何划分的。清楚了吗？所以您有客观题和主观题，问题分为这两类，AI 课程和您的就业技能，A 部分和 B 部分。好的。那么，让我们开始吧，我们将从 A 部分开始，这是您的客观题。所以第一个问题。所以这是您的第一个问题，这些问题是基于您所看到的就业技能。所以这里有一些问题非常简单。它说，通过像举手这样的动作，如果我举手或者我打招呼，或者我指向某人，这是哪种非语言沟通？所以哪种非语言沟通？非语言意味着我什么都没说。所以如果我举手或指向某人，会是哪种？所以它明显不是面部表情。也不是眼神交流。也不是您的姿势，但这被称为我们称之为手势的东西，对吧？所以您正在做一个手势，或者您像这样叫某人，或者指向某人。所以这种类型的正确答案是手势，选项 C，好了，下一个问题。您承担一项任务，真诚地完成它，并诚实地报告，即使延迟了，以下哪项最能描述这种行为，作为您必须掌握才能在生活中取得成功的技能之一。所以您会选择哪个选项？所以很明显，这不是时间管理，因为您已经延迟了。适应性不强。自我意识，您对您遇到的问题有自我意识，但您最好的答案再次，您应该选择最好的选项，因为不是多个选项都正确，最好的我认为是责任感。即使您知道您正在以诚实、真诚的方式行事，并且即使有延迟，您也在沟通，您也在表现出责任感。所以我认为这是最好的选择。好了，同学们，让我们看看下一个问题。以下哪项不是，请仔细阅读这些问题，不是管理情商的建议步骤之一。所以我们都知道我们应该有很高的智商，这通常是 IQ。还有另一种非常重要的智力，那就是 EQ，您的情商，对吧？智商和情商。所以这里基本上哪一项是不对的？它不是管理情绪的建议步骤之一。所以如果您仔细看看，纯粹基于情绪做决定，这就是为什么他们说，你知道的，如果您只是过度兴奋 [音乐] 并做出决定，或者让我们说您非常生气并做出决定，对吧？或者在您生气的时候做出决定，这是基于情绪的。我们大多数人在生活中都见过，我敢肯定您也见过那些决定是错误的，对吧？我们不会做出一个冷静的好决定。所以我认为这应该是正确选项，如果您阅读其他选项，观察自己的行为以了解自己的情绪。他们肯定会这么说，对吧？与其评判他人，不如先评判自己的情绪。所以这是重要的事情，冥想、瑜伽有助于管理情绪并保持冷静，对吧？所以有时当我们生气时，他们会说，对吧？深呼吸，或者在考试中，当您感到压力时。所以考试中，当您说，您正在参加 AI 考试，您感到紧张和压力，对吧？所以有一件简单的事情可以做，深呼吸，对吧？释放压力，管理情绪，并在做决定前理性思考，冷静思考，对吧？给一点时间，暂停一下，因为当我们紧张时，我们的大脑就无法很好地工作，它就无法做出好的决定。下一个问题。当您将鼠标指针放在文件资源管理器中的文件上，并且它显示文件的详细信息而无需单击时，这个操作称为什么？您认为正确的答案是什么？所以试试这个，伙计们。所以看，我们没有点击，没有点击。所以点击肯定是错的，对吧？拖动或滚动。不。这就是我们所说的悬停，对吧？悬停。我们将鼠标指针放在上面而不单击。这是下一个问题。Sanjana 在她家附近开了一家小型杂货店。尽管附近商店竞争激烈，但她的生意吸引了回头客。现在一年之内，她扩大了她的商店，后来又在全市开设了四家分店。她现在计划扩展到另外两个城市。所以 Sanjana 是一位企业家，那么她目前处于职业或创业过程的哪个阶段？所以您会选择哪个？所以她处于生存模式吗？不。她刚开始创业吗？不。她显然不是退休的。她显然在发展她的业务，对吧？所以，成长阶段。所以，看，这些都是你们很多人渴望成为企业家，对吧？所以，你们有很好的创业基础问题，在你们的教学大纲中，对吧？他们给你们一些创业基础知识。所以，接下来我们来看看。捐赠我们不使用的物品，如衣服、书籍、家具或食物，有助于实现哪个 SDG 可持续发展目标。所以再次仔细看看选项，看看哪个最符合这个，对吧？所以这显然与优质教育无关，所以这个是错的，对吧？良好的健康和福祉，不，不贫困，好的，您在捐赠，但基本上您是在负责任的消费和生产，所以您不使用的东西，您不仅仅是扔掉它，对吧？您正在利用它并捐赠它，所以我认为这是最好的选择，而不是不贫困。是的，您可能正在帮助弱势群体，但我认为选项 A，您同意吗？是最好的答案。好了，下一个问题。问题二。看，仔细阅读。它说，回答给定的六个问题中的任何四个问题，对吧？所以，请仔细查看选项。不要匆忙。对于第一个问题，我们有一些选择吗？看，回答任何四个。我当然会回答所有的问题。我们将讨论所有的问题。所以 AI 试卷的一个好处是您有很多选择，对吧？所以如果某个问题对您来说非常困难，您绝对应该跳过它，而且没有额外的分数。所以请不要回答额外的问题，并祝考官一切顺利。请纠正并选择最好的。对，不要那样做。您做出明智的选择，而您不确定的事情，您就尝试其他问题。好了。下一个。回答给定的六个问题中的任何四个问题。并且关于输入到 AI 模型的数据类型。AI 模型可以大致分为多少个领域，对吧？多少个领域我们可以说？所以您知道在 AI 中基本上有三个领域，对吧？这三个领域是什么？这三个领域是什么？你们知道吗？告诉我统计数据或我们说数据。第二个领域是计算机视觉，第三个是自然语言处理。对吧？所以这里您的答案将是三个领域。而您的三个领域是数据或统计数据。我们说什么？自然语言处理和计算机视觉。这些是您的人工智能领域。这是下一个问题。所以这基本上是断言和原因。基于品德的框架侧重于决策者个人的品格和意图。对吧？所以您有这个基于品德的框架，基于品德的框架评估行为是否符合诚实、同情和正直等原则。所以这里断言是真实的，原因也是真实的，而且它们绝对是正确的解释。所以这基本上是基于您的基于品德的框架，它谈论的是行为是否符合诚实、同情、正直。所以我认为这里的答案应该是选项 A。好了。好的，我们来看下一个问题。一位老师使用基于规则的程序来给学生的论文评分。该程序经过训练，可以查找特定的关键词和短语来分配分数。这是一个非常好的问题。然而，当学生开始使用培训中未包含的新词和短语时，程序会给出不正确的评分，因为学生可以使用不同的词语，不同的词汇，对吧？所以，这最可能的原因是什么？非常好的思考题，您需要分析。所以，一个选项是基于规则的程序没有在足够多的论文上进行训练。第二个是基于规则的方法是静态的，无法适应新的词语或短语。学生写的论文太长了。程序没有经过适当的测试。我认为正确的选项应该是 B。为什么？因为基于规则的方法是静态的，对吧？您只是给了它一堆规则，如果答案是这个，那么您就奖励分数，或者就像，你知道的，就像在人工智能领域，如果他们写数据、计算机视觉和自然语言处理，那么就奖励它，对吧？当然，NLP 不应该奖励，他们应该写完整的词，但如果有人写统计数据或他们写数据分析之类的，它就会标记为错误，因为学生可能会使用不同的词语，对吧？所以这里是基于规则的方法的问题，对吧？下一个问题。在模型开发过程中，____ 是一个不可或缺的部分，它有助于找到最能代表我们数据的模型，以及我们选择的模型在未来将如何良好地工作。所以您会在这里填入什么词？所以模型开发过程中不可或缺的一部分是什么？基本上是检查模型如何最好地代表我们的数据以及它将如何良好地工作。所以基本上您正在测试模型，测试模型，我们在 AI 中称之为什么？没错，我们称之为模型评估。所以我认为使用测试这个词而不是在这里使用测试，您应该在这里写上评估这个词。你们同意吗？你们同意这个吗？好了。这是下一个问题。____ 主要侧重于增强原始输入图像或为其他任务准备它们，例如重新缩放、校正亮度或更改色调。它是 ____ 的一个子集。所以哪个选项最符合这个？所以我认为当我们增强原始输入图像时，我们正在进行重新缩放，校正亮度，基本上我们参与的是图像处理，而图像处理是计算机视觉的一个子集，对吧？所以我认为选项 C 是这里最好的答案。好的。好了。下一个。陈述真或假。在自然语言中，重要的是要理解一个词可以有多种含义，对吧？并且含义根据上下文适合句子。对吧？所以一个词根据上下文肯定可以有不同的含义。所以我认为这绝对是真的。这里绝对是真的。这是下一个问题。所以，现在我们到了第三个问题。它说回答给定的六个问题中的任何四个问题。每个问题一分。再次是选择题。一辆自动驾驶汽车在夜间未能检测到行人过马路，导致了近乎事故。几乎发生了事故。应该加强 AI 技术的哪个领域来提高安全性？因为您知道自动驾驶汽车基本上使用 AI 来做决定，对吧？它们都经过训练以做出自动决定。现在您应该在这里改进哪个？您会改进 NLP、统计数据吗？所以再次，他们说领域。记住我们谈到了这三个领域。推荐系统甚至不是一个领域。所以我将删除这个选项。所以在这些三个领域中，您会选择哪个？很明显，自动驾驶汽车依赖于计算机视觉，对吧？就像我们看到物体和事物一样。所以它也依赖于计算机视觉。清楚了吗？所以这就是需要改进的地方。好了，下一个问题。您已经看到了这个表格。在给定的水果数据集中，水果颜色价格是什么？所以您在上面看到的是标题，它们称为什么？所以您可以看到有不同的水果，樱桃、橙子、香蕉、苹果，它们有不同的颜色，它们有不同的价格。所以我们在我们的课程中详细讨论了这一点，对吧？如果您回到我们的 AI 课程，您可以看到我们已经详细讨论了所有这些。而这个，您会选择哪个答案？这些基本上是不同的特征。这就是您所说的特征，对吧？您数据的特征，水果是什么，颜色是什么，价格是什么，重量是什么，形状是什么，对吧？这些都称为特征。而在表格中，您可以认为特征是表格的标题。好了，下一个问题。基本上，在训练一个好的模型时，您需要选择好的特征。这是您的 AI 工程师的工作。好了，伙计们。下一个问题。在一个垃圾邮件检测系统中，在收到的 1000 封电子邮件中，300 封是垃圾邮件。该系统正确地将 240 封垃圾邮件识别为垃圾邮件。但它也将 60 封合法电子邮件标记为垃圾邮件。该系统的精确度是多少？所以这是一个很好的问题，基本上您需要计算什么？我们需要在这里计算什么？精确度。所以，伙计们，您将如何做到这一点？您将如何做到这一点？还记得我们谈过的混淆矩阵吗？这是否让您想起真阳性、假阳性，对吧？真阴性。所以如果我没记错的话，我们讨论过这个表格，这个表格被称为混淆矩阵。所以您应该始终绘制这个混淆矩阵，这样您就不会有任何困惑。现在让我们看看如何填写它。好的，因为请记住，在这个混淆矩阵中，预测值意味着 AI 系统预测什么，实际值意味着实际是什么。好的。而且一个非常简单的方法是，好的，让我们标记出这些东西。所以根据预测，如果预测是阳性，如果预测是阳性，您在这里写 P。如果预测是阴性，您写 N。好的。我为什么要这样做？您马上就会看到，如果预测是阳性，而实际情况是阳性，这意味着它是正确的。所以阳性阳性是匹配的。所以这是真阳性。同样，阴性阴性，匹配的地方是真阴性。所以在这里填写真阳性、真阴性，自动地，这些将成为您的假阳性、假阴性。所以这是填写混淆矩阵的快速方法，以了解这些是什么。现在让我们输入数据。在一个垃圾邮件检测系统中，在收到的 1000 封电子邮件中，300 封是垃圾邮件。该系统正确地将 240 封垃圾邮件识别为垃圾邮件。所以在这 300 封垃圾邮件中，240 封被正确识别。这意味着它们是您的 240 封正确识别的，这意味着它们是您的真阳性。你们同意吗？所以我会在这里填写数字。所以我的 TP 基本上是 240。好的。但它也将 60 封合法电子邮件标记为垃圾邮件。所以 60 封合法邮件。它被标记为垃圾邮件。垃圾邮件意味着预测是，它正在尝试预测阳性，意味着它说嘿，这是垃圾邮件。所以阳性并不意味着好事。阳性意味着它正在检测垃圾邮件，或者像检测疾病。对吧？所以它在这里检测垃圾邮件。阳性。好的。所以，但它是错误的。所以它会归类为假阳性。所以你们同意吗？这里的假阳性是 60。好的。而这总共是 300。现在您会说，但是先生，他们没有给我们任何关于假阴性和真阴性的细节。他们只告诉我们总数。总数是 1000。所以这里的 300，这部分将是 700。对吧？他们给了我们总数，但我们没有得到这个。但让我们看看，也许我们不需要它，因为我们只需要找到系统的精确度。伙计们，我教你们的精确度公式是什么？精确度，它是如何计算的？精确度，在 AI 中，我们这样计算精确度。精确度，精确度基本上说的是在所有阳性预测中，有多少是正确的。所以基本上从这一整列中，有多少是正确的？真阳性。所以基本上您将真阳性除以总数，即 TP 加 FP 乘以 100%。明白了？现在，伙计们，填入数值。所以您会在这里填入 240，然后是 240 加 60 乘以 100%。240 除以 300。好的。哦，他们给了我们小数，所以也许您可以去掉百分号。好的。通常我喜欢按百分比计算。所以让我们直接做。我认为我们得到的答案是 0.80。所以选项 A 是正确答案。就是这样。所以我的技巧是，强力技巧，绘制这个混淆矩阵，这样在考试中您就不会有任何困惑。好了，伙计们，让我们继续下一个问题。它说什么？在机器学习中，误差越小的模型在给定数据集上的表现越好。这是断言。所以机器学习，误差越小的模型在给定数据集上的表现越好。而误差有助于我们评估模型预测训练数据和未见数据的准确性，这就是为什么它用于选择表现最佳的模型。所以你们怎么看？这里是选项。所以在这里，在机器学习中，误差越小的模型，它显然是误差越小，表现越好。所以这是真的，对吧？而误差有助于我们评估模型预测的准确性，对吧？因为模型评估，这就是目标，就像您的考试一样，他们试图预测，当然我不会说 100% 的考试或您的分数决定您的未来，但那里是预测，对吧？您会做得多好，您有多认真。所以同样在这里，它试图预测它在现实世界中的表现如何。所以两者都是真实的，我认为这是正确的解释。所以我认为我们应该选择选项 A。好的。所以总是先单独看事物。它是真还是假？然后看看是否有，如果两者都是真的。是否有关系，或者它是否是正确的解释。好的。好了，下一个问题。从给定的图片中识别计算机视觉的应用。所以这里您可以看到，你们一定见过，这是在哪里使用的？在您所有的 WhatsApp 或 Snapchat 中，在手机里您见过，对吧？您可以拥有耳朵，您也可以拥有舌头等等。所以这明显是那些面部滤镜，我认为是面部滤镜，绝对不是面部识别，对吧？除非狗试图解锁手机。所以这明显是您在视频聊天等中见过的那些面部滤镜，对吧？好了，下一个问题。计算并写出句子中的标记数量。所以这是一个重要的问题。标记是什么意思？标记并不意味着您得到一些优惠券或奖励，对吧？这里的标记是什么意思？所以让我们看看，标记是什么意思？标记是这里有多少个词？您需要计算一下，再加上您的标点符号。所以让我们开始计数。所以句子中的标记，基本上标记意味着个体单位，而英语中的单位是词语，但标点符号也计算在内。所以让我们开始计数。1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 不要忘记这个 21 22 23 24 25 26 27 28 29 30 31，句号也计算在内。好的。所以标记的总数是 32。有 30 个词，两个标点符号被计算在内。所以基本上，您知道在自然语言处理中，他们将句子分解成词语和标点符号，这被称为标记化，对吧？将其拆分。好了，下一个问题。所以问题四说，再次选择，选择。哇，太棒了，对吧？回答六个问题中的任何四个。所以这里说，在解决问题的背景下，框架提供了什么？对吧？问题解决是项目周期中的第一步。对吧？呃，对，就像您有 4W 画布之类的。所以它们基本上提供了分步指导。它们为您提供了如何处理问题、如何组织和写下来的指导。清楚了吗？好了，下一个问题。下一个问题说，测试数据集是提供给模型进行分析和学习的示例集合，而训练数据集用于测试模型的准确性。以下哪项是正确的？所以如果您仔细阅读 [清嗓子] 问题，测试数据集是提供给模型进行分析和学习的。这显然是错误的，因为是训练数据用于训练或学习，然后测试数据用于测试准确性。这里说的是训练数据。因此，两个陈述都是错误的，我认为正确的答案将是两个陈述都不正确。选项 B。他们只是交换了词语。好了，我们来看下一个问题。一家公司正在使用一个简单的 AI 模型来筛选入门级数据分析师职位的求职者。该模型包含四个关键属性，或者您可以说特征，每个属性都根据重要性分配了权重，对吧？拥有数据科学学位，之前的实习经验，精通 Python，强大的沟通能力，并且看到每个属性都分配了权重，还记得我在 AI 课程中关于神经网络的课程中详细讨论过这些吗？对吧？所以他们问了一个基于实践的问题，基本上是关于这些权重和偏差的。所以他们说还添加了一个偏差值，所以也有一个偏差，他们给了您公式。所以他们让事情变得非常简单。他们告诉您，有时他们可能不会告诉您公式，但在这里他们告诉您，基本上是您的这些权重和这些。所以这些是您的权重。所以您需要识别的是这些给您的数字，这些是您的权重 W_i，而这些特征值，给您的是零和一，这些是您的 X_i，代表真或假。而这是 W_i，然后这个 B，我认为应该是小 b 或大 B，这个 B 是您的偏差。所以偏差在这里有一些权重，加权偏差。所以小 b 是 0.3，0.3 * 1。所以他们说在这种情况下 y 的值是多少？所以这就是神经网络的工作方式，对吧？它基本上接收这些数字，将它们相乘，加上偏差，然后得到一个输出，它用于预测，或者馈送到下一层。所以这里我们得到的 y 是什么？所以如果您这样做，这只是一个简单的任务，您只需要进行乘法运算。所以我们的 y 将等于 W1X1。所以您需要将这个相乘。这是您的 W1。这是您的 X1。所以 1 * 0.6 + 0 * 看，0 * 0.4 + 1 * .5 + 1 * 0.3 + 他们说公式是 1 * B，对吧？呃，1 * .3。所以，伙计们，把这些加起来。所以这是 6。这个 0 被忽略了。所以 6 + .5 + 0.3 + 0.3。所以加起来是多少，伙计们？检查一下。6 + 5 是 11，11 加 6 是 17。所以我认为最终的 y 值将是 1.7。他们给了我们这个注释，关于感知机的相关问题，这被称为感知机，将在选择题中提问。所以您不会得到长篇答案，设计这个感知机之类的。所以基本上您需要进行这个计算，这就是答案。你们都得到这个了吗？是还是否？所以最终输出值是 1.7。太棒了。让我们继续下一个问题。下一个问题说什么？为什么不建议使用模型训练的相同数据来评估机器学习模型？所以这几乎就像作弊，对吧？您在上面训练模型，然后再次评估它。它会给出非常好的准确性，但您会说，哦，先生，我的模型工作得很好，AI 模型很棒，但问题在于这会导致过拟合，并给出过于乐观的准确性。您可能会认为我的模型很棒，但这被称为过拟合，因为您只是在训练数据上对其进行了测试，它在那里表现会很好。所以有什么例子？假设您正在训练一个水果模型，它有，比如说，苹果、橙子和香蕉。然后假设您要识别水果，假设您用所有红苹果进行训练。好的。然后，在您的测试中，您也用红苹果进行测试。但假设我给您一个绿苹果，对吧？或者您用黄香蕉训练，我给您一个绿香蕉，它是生的，对吧？它会失败。好的。或者它失败的可能性很高。或者如果您只在训练数据上测试它，您会说先生，它有 99% 95% 的准确性，它很棒，但一旦我给它一些变化，一些未见过的东西。所以这就是我们所说的模型过拟合。这是过拟合的问题。这几乎就像，如果委员会说，这是样卷，而您的最终试卷就是这个，那么他们并没有真正测试您的准确性或知识，对吧？您对那份试卷过拟合了。所以这就是为什么考试应该是未见的，对吧？但这个样本给您提供了问题类型的想法，这样您就可以像您的 AI 模型一样，能够预测或理解模式的类型。好了，这是下一个问题。数字 128 x 1 128，0 x 1024，1 1920。您在图片中都见过这些，对吧？它们代表图像显示中宽度和高度的像素数。描述测量值的正确术语是什么？是像素深度，颜色深度？不。我认为正确的答案是图像分辨率，对吧？图像分辨率。所以总像素数是，如果您将这些相乘，您就会得到图像中的总像素数。像素意味着记住图像中的每个点，图像中的一个点。下一个问题。识别给定图片中显示的 NLP 应用。所以他们指向这里的粉色框。您可以看到这是一个视频，对吧？您可以看到这种，您一定见过，当您播放我们的一些 YouTube 视频或播放任何 YouTube 视频时，就会出现这个自动字幕，对吧？自动语音识别。您也可以输入自己的字幕，但它会生成字幕。所以这里我们可以说，这些被称为自动生成的字幕。无论对话如何进行，文本都会出现，就像电影一样。好了，伙计们，这是您的下一个问题。问题五。回答这六个问题中的任何四个问题。再次，太棒了，您有很多选择。所以，您决定向慈善机构捐款。一个接受者是您社区附近的一所当地学校，而另一个是远方国家的一所学校。什么因素可能会无意识地影响您的决定？对吧？显然，您可能想捐赠给您附近的人，当地学校，对吧？所以这基本上是接受者的位置。所以这会影响您的决定。好了，伙计们，下一个问题。一栋房子的预测价格是 453,000 卢比，但实际售价是 488,000 卢比。这次预测的误差率是多少？看，AI 系统正在尝试预测，对吧？但实际上这是销售价格。所以您如何找到误差率？所以一个重要的概念，让我们通过这个问题来学习。什么是误差率？误差率。所以让我们先谈谈什么是误差。误差是数值的差异。对吧？所以这是销售价格，这是预测价格。所以我们可以，或者您可以说这是实际的，这是预测的。所以这里的误差显然是差异。所以我们可以做 488,000 减去 453,000。由于售价更高，所以误差是正的，对吧？它是正的。所以卖家很高兴。买家不太高兴。所以这里会发生什么？当您减去这个时？您会得到一个 5，35,000。好的。但他们没有问您误差。看，他们给了小数。他们问您误差率。所以误差率基本上是什么？或者您可以认为是百分比误差。它基本上是 35,000 除以实际值。对吧？所以您将除以实际值，而不是预测值。所以实际值是 488,000。所以这里，让我先写下公式，误差除以实际值，如果乘以 100，也可以表示为百分比。对吧？所以这将是 35,000 卢比除以 488,000 卢比。所以，伙计们，您只需要进行这个除法。这里的零会抵消。您只需要除以这个，然后告诉我您的答案是多少。所以如果您们做 35 除以 488，我认为您会得到 071，而且它说四舍五入到三位小数。所以您需要计算到四位，如果它是 +1，对吧？所以您需要四舍五入到三位小数。所以实际上我们需要看四位小数。所以我认为我们得到 0.717。所以也许我认为这里给出的答案是错误的，因为四舍五入到三位小数是 1 2 3。所以实际上答案应该是 072。那应该是正确的答案。但是，最接近的是这个。所以我会接受它。但我认为这里有一个错误。应该是 072。您同意吗？好了，下一个问题。指在图像或视频中识别和定位真实世界物体（如人脸、自行车或建筑物）的过程，并用于图像检索和自动车辆停车等应用。所以看，这些都是基于应用的题目。所以我们在这里需要做什么？所以很明显您可以看到它识别了猫、狗和鸭子。所以这是什么？您会选择哪个选项？所以这里您需要仔细看看。所以，很明显它不是特征提取，也不是图像分割。我认为我们要在图像分类和对象检测之间选择。所以这里，让我们再次阅读问题。它说识别和定位真实世界物体，如人脸、自行车或建筑物。对吧？所以您有一些特定的东西想要定位，自行车，或者您想在这里定位这些动物。对吧？所以它是一个猫、狗。所以这有点令人困惑，因为他们也进行了分类。所以这里有检测和分类。所以我认为这有点令人困惑，这个问题。但在解决方案中，您会看到他们给了对象检测，因为他们想检测某些东西的存在，对吧？就像您想检测一个人是否存在，或者比如说一个窃贼，如果这是一个监控摄像头，如果有人来了，他们想检测到它，对吧？所以我认为对象检测是这里最好的选择。好了，这是下一个问题。____ 是模型错误地将负类预测为正类的结果。所以请记住，我们谈到了混淆矩阵，在混淆矩阵中，我告诉您一个简单的方法，即阳性、真阳性、假阳性，它被称为，它是阳性、阴性是基于预测的。所以这里它说模型错误地将负类预测为正类。所以这明显意味着预测是阳性。这是预测，这是实际。所以这应该对您非常清楚。这是预测。这是实际。所以很明显，预测决定了阳性、阴性。所以这明显是 P，而且它们不匹配，负类和阳性，它们不匹配。所以我认为答案是 FP，意思是假阳性。你们同意我的看法吗？因为预测是阳性，您的答案将是阳性。但预测是错误的。它实际上是将负类预测为阳性。所以，这是一个假阳性。好了，各位。这是下一个问题。哪种类型的机器人易于创建，基于预先编写的指令工作，大部分免费，易于与消息平台集成，并且几乎不需要语言处理技能，功能有限。所以，这里您需要了解机器人的类型。所以，您可以看到它易于创建，基于预先编写的指令工作，对吧？预先编写的指令，而且它大部分是免费的，易于集成。所以这类机器人被称为脚本机器人。好了，下一个问题。单词 flies 的词干形式和词形还原形式是什么？仔细阅读。所以在词干提取中，我们做什么？所以在词干提取中，我们做什么？所以这是 flies。所以我们保留了关键的根部部分，对吧？所以在词干提取的版本中，我们只保留根部部分。所以 es 我将被删除，词干版本将是什么？它将是 fly l。好的。然后是词形还原版本。词形还原版本将是什么？所以词形还原版本应该是一个有意义的词。FLI 不是一个有意义的字典词。所以我认为我们将选择 FL1 这个选项。所以你们同意吗？我认为选项 D 是这里的正确答案。选项 D 是正确答案。好了，我们完成了 A 部分。现在让我们进入 B 部分，这是主观题。所以再次，它说回答就业技能的五个问题中的任何三个问题。太棒了，您在这里也有选择。所以第一个问题是，他们说每个问题的答案在 20 到 30 字之间。所以他们也给了您写多少的指导。所以他们问什么是代词？举个例子。所以这基本上是您的基本英语知识，您需要知道，代词就像，你知道的，他、她，这些用作代词，对吧？所以这是一个简单的问题，您可以写下来，您可以看到用在名词替代的词被称为代词，这里也给出了例子，对吧？Kavita 买了一本书，她有一个很棒的，所以她用在 Kavita 的替代位置。所以这里在模型解决方案中，您可以看到一个简单的问题。这是下一个问题，编号七。列出建立自我激励的四个步骤。我认为这对考试来说非常非常重要，对吧？您必须在考试期间保持动力。所以您会在这里写下哪些步骤？所以这是您必须在理论中读到的。所以让我们看看模型解决方案。所以四个步骤是什么？它说找出您的优势，因为当我们知道我们的优势时，您就知道我们肯定会受到激励。然后设定并专注于您的目标。您应该有您的人生目标，对吧？并专注于它，这将使您保持动力。制定计划。这非常重要，就像您准备考试一样，您现在的目标是在考试中做到最好，对吧？然后为之制定计划。而且再次非常非常重要，忠于您的目标。所以制定目标并坚持它们。所以这些是您可以写下的关于如何建立您的自我激励的步骤。好了，这是下一个问题。安全漏洞。安全漏洞是存储在计算机中的信息的泄露。解释个人信息可能丢失或泄露的方式。好的。所以这是一个非常重要的事情，他们在这里教您意识，这样您就不会有任何安全漏洞，所以这里有什么例子？有时，你知道的，当电子邮件来了，或者这些天通过电话也发生，有人问我们，给我们您的 Aadhaar 卡、您的出生日期等等，您提供了这些详细信息，然后你知道发生了一些欺诈交易。所以互联网上也是一样，您可能会发送一些信息，比如您的出生日期、Aadhaar 卡。所以不要这样做，无论是通过电子邮件还是聊天，您都应该始终与银行核实，或者去联系银行。所以这是重要的一点，不要通过互联网传输您的个人信息，并且还要确保您的计算机没有被某人黑客入侵。所以一些简单的事情是，你知道的，就像我们在办公室使用计算机时，当您去吃午饭时，您将其解锁，任何人都可以登录并访问，任何人都可以访问那里的详细信息。所以要确保您的计算机已锁定，确保您拥有所有杀毒软件等等。所以这些是需要牢记的事情，以防止安全漏洞。好的。而且这些非常非常重要，因为您知道欺诈案件的数量正在增加。所以看，个人信息可能会丢失或泄露，并且以这两种方式，如果您不小心，我们应该小心不要提供个人信息或密码，并且一个人可能会获得对计算机的未经授权访问，对吧？所以这些是您需要注意的事情。好了，让我们继续下一个问题。运行一个小手工肥皂业务。每天早上她决定生产什么产品，生产多少肥皂，在哪里销售。她还安排原材料并分配任务给她的员工。所以您能从这段文字中识别并写出描述的创业者的两个职能吗？所以您认为是什么？因为她在经营她的生意，她是一位企业家。所以她正在做的关键事情是什么？告诉我。所以正如您所看到的，她正在做出这些决定，对吧？所以她必须对业务做出关键决定。她决定生产什么产品，生产多少。所以决策很重要，然后你知道在哪里销售它们，安排原材料。所以她显然在管理她的业务，对吧？所以安排和管理业务。所以我认为这些是您可以写下的答案，做出决定和管理业务。好的。所以看，正如您所看到的，试卷非常注重实践。他们给您例子，您需要思考并回答。不仅仅是写某个东西的定义。然后，下一个问题编号 10。什么是生态农业？农业，提到实行生态农业的两个好处。生态农业正在蓬勃发展，而且很多初创公司都在致力于此。很多公司都在致力于此，因为你知道生态农业的目标是什么？目标是不要在农业中使用这些杀虫剂、杀虫剂和化肥，因为它们有益于去除害虫和杂草，但它们也对我们的健康有害，对消费有害，而且它们也损害土壤，对吧？所以未来，土壤可能因为过度使用这些杀虫剂和化学品而无法很好地生长作物，这就是为什么生态农业变得非常非常重要。很多国家都在采用这个，所以这里您可以看到，他们写道，生态农业是指农民不使用化学杀虫剂和化肥来提高产量。而且很明显，好处是什么？好处是它有助于种植更高质量的无化学品作物。好的。而且它还有助于保持土壤质量。对吧？所以非常非常重要，因为我们必须考虑未来，而不仅仅是我们自己。所以再次，您可以看到试卷中有很多选择。您能看到它说回答六个问题中的任何四个问题，每个问题 20 到 30 字，每个问题都给了您两分。所以它说您认为在 AI 项目周期的第二和第三阶段做什么？所以，伙计们，让我们快速回顾一下 AI 项目周期是什么。您还记得所有阶段吗？所以第一个阶段是什么？告诉我。AI 项目周期的第一个阶段是问题范围界定。对吧？呃，定义您的问题。所以第一个阶段我们称之为问题范围界定。AI 项目周期的第二阶段是什么？告诉我。所以一旦您定义了问题，对吧？使用 4W 画布或其他什么，然后您开始收集数据，这是数据收集或数据采集，您可以称之为数据收集或数据采集。我希望我的拼写是正确的。下一个是什么？现在有了数据，您就开始查看模式并探索它，对吧？所以数据探索，您是数据探险家，您正在寻找数据中的趋势和模式，然后之后，下一步是什么？这是构建您的 AI 模型，或者我们称之为 AI 建模。而最后一步，就像您学习的最后一步一样，是期末考试。所以这里是 AI 模型的考试。所以我们称之为模型评估或模型测试。所以这些是我为您回顾的 AI 项目周期的五个阶段。他们在这里问我们关于第二和第三阶段。所以他们谈论的是第二和第三阶段。所以很明显是数据采集和数据探索。数据采集，正如我们所讨论的，我们正在收集数据，而探索，我们正在查看趋势，什么样的数据很重要，数据中的模式是什么，这就是您正在做的事情，对吧？所以这里您可以看到模型解决方案已给出，第二阶段是数据采集。
数据 数据收集，这便成为了我们流程的基础。这些数据帮助我们理解参数，以及所有这一切。在第三阶段，我们正在进行数据探索，在那里我们使用图表、数据库、流程图进行可视化表示，这有助于我们更轻松地解释模式并从数据中获得有意义的见解。好的。所以，请确保你在写答案时，写下重要的关键词。好的。呃，这样考官就能看到你已经理解了概念。所以，这是我们的下一个问题。识别深度学习模型的类型。那么，你知道哪些类型的深度学习模型？让我们看看。让我们看问题。它说这个深度学习模型处理输入图像。所以，看看关键词。输入图像。图像是输入，通过学习为图像中的各种特征分配重要性权重和偏差，并允许它区分一个对象或另一个对象。所以，深度学习模型基本上意味着它会涉及神经网络。而对于图像处理，流行的神经网络是什么？我们正在使用哪种类型？没错，是卷积神经网络（CNN）。所以，A部分的答案显然是CNN，这被称为卷积神经网络。而且，各位，你们可以观看我的视频，我详细讨论过卷积神经网络。所以，这里他们只是基本要求你命名它，而不是给出细节。所以，识别学习模型的类型。而下一个是B部分，这非常CNN，它们在图像处理中被大量使用，对吧？图像识别，而这个深度学习模型受到人脑结构的启发。它可以在没有显式编程的情况下，从大型数据集中自动提取特征。网络中的每个节点都像一个小型机器学习算法。所以，这是什么？这种类型，它仍然是一个深度学习模型，意味着神经网络，而我们说它处理这些数据集，而无需给出特征，它们基本上被称为你的ANN。ANN的全称是什么？线索是它试图模拟人脑，它从这些大型数据集中工作，对吧？而对于任何一般数据，对吧？所以，这是为了艺术，这些被称为人工神经网络，因为人脑是生物神经网络，对吧？所以，这些是你的ANN，人工神经网络，清楚了吗？所以，你看，这就是为什么我说这个术语应该对你来说是清楚的，概念应该清楚。再次，他们问了一个基于应用的题，所以你可以在那里看到，我希望我们的答案是正确的，CNN和ANN，卷积神经网络，人工神经网络。这是我们的下一个问题，强化学习与监督学习和无监督学习有何不同？所以，这里你应该知道所有这些的概念，对吧？所以，让我们来讨论一下。所以，我们首先从监督学习开始。所以，正如我在我的课程中，我的视频和课堂上所讨论的，监督学习的含义是什么？监督学习意味着你拥有标记数据，对吧？所以，你拥有标记的训练数据。标记训练数据的含义是什么？所以，比如说，你正在训练一个水果检测模型。所以，你给出了数据，你告诉它，这些都是你的苹果图片，这些是你的香蕉图片，这些是你的橙子图片。现在，你，你学习，你告诉神经网络去学习它，这样它就可以识别一些未知的水果，对吧？它可以识别这三种水果中的一种，对吧？所以，这里监督学习中的主要事情是它在标记数据上工作，其中明确说明这是苹果、橙子、香蕉，等等。接下来，我们将讨论，所以，这是监督学习。下一个是无监督的。所以，正如你可以想象的，它将是相反的，无监督学习。这种书在无标记数据上工作，其中数据没有标记。所以，比如说，你给它这些水果图片，现在它必须识别，嘿，这些水果看起来很相似，所以我将把它们放在一个组里。它不知道叫什么苹果、香蕉什么的。所以，比如说，它称之为水果一，然后所有看起来相似的香蕉图片，它会创建另一个组或一个簇，对吧？这被称为，并称之为水果二。同样，对于你所有的，呃，呃，橙子，它会创建另一个组或一个簇组三。所以，这是数据没有标记的地方，对吧？所以，它通过看到数据中的相似性来创建自己的聚类。在前一种情况下，当然，优势在于数据是标记的，人类标记的，对吧？或者通过众包完成的。但基本上，它更昂贵，因为你需要标记。在这里，它是，呃，通过，呃，自动学习完成的。所以，你可以喂给它大量数据，它会自己进行分组。现在，最后一件事，最后一个，这是什么？这被称为强化学习。让我们来谈谈这家伙。什么是强化学习？所以，强化学习基本上是学习，它通过，你知道，奖励和惩罚来工作。它几乎就像，记住，就像我小时候玩井字棋一样，当你学习玩井字棋或国际象棋时，比如说，你从你的哥哥或姐姐那里学习。所以，一开始，第一场比赛你输了，你犯了错误，第二场比赛你又输了，第三场比赛你又输了，他们嘲笑你。所以，你看到的是什么？惩罚是什么？或者也许是偶然的，通过运气你赢了，或者你赢了，你看到奖励是什么？所以，那些游戏，你通过反复试验来学习，对吧？所以，这在通过反复试验学习的地方起作用，并且它在这些奖励和惩罚上起作用。所以，就像它说你赢了比赛或者你输了比赛。所以，在那里你意识到，好吧，这些策略帮助我赢，这些策略，呃，没有帮助我赢，它们让我输了。所以，这就是强化学习，就像通过游戏玩法一样。好的。所以，这些是区别。再次，你可以在教科书中阅读，或者观看我的视频，但概念应该是清楚的。你应该理解它，然后写下，呃，东西。再次，请记住，你不需要写很长的答案。把字数限制写在那里。正如你在试卷中看到的，我猜他们给了你，看，每篇20到30个字。所以，你不需要在这里写很多细节。不知何故，在解决方案答案中，如果你阅读，我认为他们已经为监督学习和无监督学习提供了，你需要对数据以及正在发生的事情以及如何解决问题有一个相当好的了解。然而，你将经常遇到需要处理大型复杂问题的场合，你可能不会，呃，对不可预见的情况做出反应，而且他们没有谈论强化学习。所以，我认为这里有一些错误。所以，我认为这里似乎有一个错误。所以，忽略它，你可以，呃，看我的解决方案，并，呃，查阅你的书。好的。好的，同学们，让我们继续下一个问题。机器学习中的模型评估是什么？它如何帮助改进人工智能模型？所以，模型评估，这个词是什么意思？模型评估，评估这个词意味着测试。而且，请记住，我们在AI项目周期中讨论过，这是最后一步，基本上你在测试你的模型的准确性。所以，我们说模型评估的目标是测试AI模型的准确性和性能，你可以说。而且，在这里你将使用各种指标，如准确性、精确度、召回率，对吧？所以，我们谈过的所有不同的测试评估指标。所以，你想评估它在未见过的或测试数据上的表现。好的。它的优势是什么？我们为什么要这样做？它如何帮助改进它？因为假设你构建了一个，比如说，一个水果分类器来识别，你知道，水果的类型，而你获得的准确性是50%。那么，它就工作得不好。对吧？所以，在这里，你将分析，嘿，也许我没有使用足够的，呃，图像，或者图像的质量不好，或者也许我训练了它，你知道，在黄色的香蕉上，成熟的香蕉，但然后在测试数据中有绿色的香蕉，未成熟的，它无法识别。所以，这一切都是AI工程的意义所在，对吧？寻找错误在哪里，改进的地方在哪里，然后再次重新训练模型以达到你期望的准确性。所以，这就是为什么，就像你知道，在考试中，目标是最大化你的结果。而且，就像你做模拟测试一样，你犯了错误，你从中学习，同样在这里，你试图通过模型评估来改进你的AI模型，这就是核心，对吧？所以，正如你所看到的，在答案中，他们讨论了使用不同的评估指标，对吧？你将使用不同的指标来理解机器学习模型的性能、准确性、优势和劣势，对吧？以及适用性，你将获得建设性的反馈，所以你可以从指标中获得反馈，你可以进行改进，并继续这个过程，直到你获得期望的准确性，直到你实现它，对吧？所以，正如我们所说的，朝着你的目标努力。好的，让我们看下一个问题，第15号。在数字图像的上下文中，什么是字节图像格式？现在，数字图像，对吧？现在，我们在数字世界里，你知道，每一个，呃，图像基本上被分解成这些微小的点。我们称那些点为什么？没错，那些点被称为像素，对吧？而每个像素是如何表示的？因为基本上，你看到的图像中的每个像素都是一种颜色。对吧？现在，那种颜色可能是什么？在过去，只有白色、黑色或灰色。对吧？现在，它可以是白色、黑色或我们可见的彩虹色中的任何一种。那么，什么是字节图像？所以，每个像素，图像中的每个点或像素，基本上由一个字节的数据表示，而一个字节，你们从计算机知道，一个字节是什么？它是八位信息，八位。所以，你有这种8位表示，对吧？八个盒子，你可以在里面放零和一。所以，基本上，你的范围是什么？你，因为你可以有零或一，你可以有2的8次方种组合。所以，一个字节将基本上给你从0到，它将给你从0到255的数字。那么，零代表什么？零基本上意味着没有颜色或没有光，这意味着黑色。所以，如果像素值为零，它是黑色的。255意味着白色，而这些是你所有的其他颜色。所以，基本上，字节图像意味着它们使用这种格式，其中每个像素由一个字节表示，对吧？8位，它们是，你知道，从0到255，而且，呃，这是每一个代表颜色，清楚了吗？所以，在这里你可以看到他们给出了细节，像素格式是字节图像，你知道，它是一个8位整数，范围从0到255。它从哪里来的？你计算2的8次方，你会得到256。0到255就是这个。而0基本上被视为没有颜色或黑色。255是全色或白色，正如你在这里看到的。而且，所以，我们用零和一来表示数据。所以，基本上，字节图像中的每个像素使用一个字节的数据。所以，每个像素，不是整个图像，字节图像中的每个像素使用一个字节的数据。所以，如果你有，比如说，图像中有200个像素，那就是200个字节的数据。好的，同学们，让我们看下一个问题。这实际上是我放的。它不在问题里。所以，我们稍后会看这张图表。所以，首先它说识别NLP的阶段。NLP是自然语言处理，并解释。它说我们明天要去动物园。这显然是错误的，我们将纠正为我们明天要去动物园。所以，哪一阶段的NLP进行这种类型的更正？为了让你更容易，我把NLP的不同阶段放在这里。所以，正如你所看到的，这里是NLP的不同阶段。所以，你可以看到有词法分析、句法分析、语义分析、语篇整合、语用分析。所以，告诉我评论区，你认为哪一个对应于这种更正？所以，让我们来看一下。所以，词法分析意味着什么？将句子，呃，将文本分解成句子和单词。所以，你只是在那里进行分解。所以，这里的分解可能不是那么关键。下一个句法分析，检查语法规则。看，我们明天要去动物园，你会说，先生，这是错误的英语。这意味着你不遵循语法规则。你不遵循英语的句法。所以，这绝对是检查语法规则或进行句法分析，似乎是正确的答案。对吧？句法分析是正确的答案。下一个，语义分析，检查单词的含义。它们是什么意思？对吧？语篇整合，检查单词之间的故事关系。最后一个，语用分析，分析讽刺。就像有人说，“哦，他或她正在开你的玩笑。”他们并不是真的在开你的玩笑。这意味着他们在逗你玩，对吧？所以，那是语用分析中的讽刺。但对于这个问题，我认为你们会同意，这将是句法分析。是的。所以，在这里你可以看到答案也给出了，NLP的这个阶段是你的句法分析或解析，它是检查句子和短语的语法、句法检查或检查语法的过程。它在单词之间形成关系，并消除，它消除了逻辑上不正确的句子。这里基本上我们实际上也纠正了它，或者这里说这句话是错的，这是对的。所以，基本上，如果它通过一个文档，这将标记为错误。这将标记为正确。对吧？好的，这是下一个问题。它说回答给出的五个问题中的三个。当然，我们会讨论所有这些，这些是你的选项。所以，阅读下面的案例研究并回答以下问题。一所学校开发了一个AI系统来筛选参加竞争性奖学金的学生。该算法被训练来优先考虑那些快速完成在线申请表的学生。它假设更快的完成，如果你更快地完成表格，更快的完成反映了信心、能力和技术熟练度。然而，那些英语不流利或在家没有电脑的学生填写表格需要更长的时间，对吧？因为它假设，好吧，如果你能快速填完表格，对吧？如果给出一个表格，如果你能在5到10分钟内完成，那么你就是聪明的，你就是技术熟练的，你英语很好，对吧？但，如果你花一到两个小时，那意味着你在挣扎，对吧？然而，那些英语不流利或在家没有电脑的学生填写表格需要更长的时间，结果是许多有价值的学生被算法不公平地拒绝了。所以，它要求你识别算法给出有偏见结果的两个原因，并提及两个可以帮助我们解决此类问题的生物伦理原则，并解释它们如何适用。所以，算法给出有偏见结果的原因是什么？所以，非常好的问题，他们再次要求你分析一个现实世界的情况，对吧？并应用你的概念。所以，偏见，或者偏见在哪里，意味着不公平，对吧？不公平在哪里？因为，你看，目标是为竞争性奖学金进行筛选。所以，他们想要，他们想要聪明的学生，对吧？但这里的偏见是学生可能不流利英语，对吧？因为表格是用英语给出的，而不是用其他语言给出的，对吧？所以，学生可能是聪明的，可能是竞争性考试的优秀候选人，但偏见在这里是英语。所以，这是一个明显的偏见。所以，这是一个我们可以看到的明显偏见。而另一个问题是，有些学生，他们给了你线索，他们没有电脑，对吧？所以，当他们给了表格时，这个人没有权限。所以，他们必须去某个地方填表格，或者基本上，当他们填表格时，他们可能没有个人电脑，也许有人打断他们，或者网络连接很慢，对吧？有各种挑战，网络连接可能很慢，网络连接丢失，对吧？而且，与拥有家用电脑或笔记本电脑的人相比，他们可能无法快速完成表格。所以，这里有很多偏见。所以，这些事情显然导致算法不公平或有偏见。所以，你看，这些是你可以在这里列出的。所以，显然你可以看到，它不公平地惩罚了。它不公平地惩罚了那些英语不流利的学生。所以，显然这里是不公平的，不公平地惩罚了那些英语不好和没有电脑或稳定互联网连接的学生。因为这与学生的竞争力无关，对吧？所以，这是不公平的。然后，下一部分说提及两个生物伦理原则。所以，这里你需要，呃，阅读你书中的理论，你的生物伦理原则是什么，可以帮助我们解决这个问题？所以，这里适用的生物伦理原则是，不伤害和给予公正，对吧？因为它是无意中伤害了来自弱势背景的学生，如果他们没有电脑或没有那么快的互联网，那么它显然是有偏见的。而且，给予公正，因为他们没有受到平等待遇，因为像语言流利度这样的因素，那些懂英语的人，对吧？所以，这些是应该适用的生物伦理原则，不伤害，给予公正将是你的答案，你也可以给出解释。好的，各位，继续下一个问题。在以下情况下使用的机器学习或深度学习应用程序的名称是什么？一个健身追踪器使用AI来监测你的心率，并了解对你来说什么是正常的。所以，一个晚上你在放松，但你在看一部恐怖电影。好的。然后追踪器突然将你的心率飙升标记为异常。所以，认为有什么不对劲。所以，它说给出，识别应用程序的名称。看，我再次告诉你，这份试卷非常基于应用。你应该不仅知道术语或定义。你应该知道如何应用它，因为它可以被不同地措辞。他们可以给出不同的例子。所以，这里A部分答案将是它。看，这里的关键词是异常。异常意味着意料之外的事情，对吧？所以，这被称为异常检测。异常检测。所以，这是选项A的答案。B部分。一个野生动物相机配备了AI来监测森林中的动物。它不仅记录动物的运动，还识别并将它们分类为鸟类、哺乳动物、昆虫等类别。所以，你会用什么AI词或技术术语？所以，看，它识别和分类，对吧？所以，它不仅仅是物体检测，而是你会称之为什么？告诉我。所以，这显然是物体分类，因为它对物体进行分类。它将物体分类为鸟类、哺乳动物、昆虫等。对吧？它将它们放入类别或分类。清楚了吗？下一个。一个智能冰箱配备了内部摄像头和AI系统。它的一个门有一个显示屏，显示内部的实时图像，捕捉到各个架子上的所有食物。对于每一项，系统不仅显示实际图像，还在其上方放置一个AI生成的图像，如牛奶盒、苹果，对吧？冰淇淋。所以，这里你会称之为什么？所以，这里它基本上注意到它是什么？是苹果吗？是牛奶盒吗？是冰淇淋吗？所以，它正在进行详细的识别。所以，我认为我们可以使用这里的词语物体识别，这将是一个很好的术语。最后一个，想象一个应用程序可以帮助你解锁你的自行车。而不是输入密码，你只需用手指在手机屏幕上写下一个数字代码，如5281。即使你的字迹有点潦草，经过艰苦的锻炼。所以，看，他们给出了真实生活场景。所以，你只是潦草地写下，你知道，像5281这样。好的。所以，这是什么？这基本上就像你的光学字符识别。所以，你可以说字符识别，甚至在这里数字识别。因为这里的任务只是数字。有道理吗？所以，各位，这些是答案，让我们检查一下。所以，看，答案是正确的。异常检测、物体分类、物体识别和数字识别。好的，各位，这是下一个问题。问题20。阅读以下段落并回答后续问题。一所学校最近测试了一个旨在预测学生是否会在期末考试中及格或不及格的AI模型。糟糕。好的。在100名学生中，模型正确预测了40名学生将及格，他们确实及格了。好的。然后它说它还正确识别了30名即将不及格的学生，并正确识别了30名即将不及格的学生。好的。然而，模型预测20名学生将及格，但他们最终不及格。此外，它预测10名学生将不及格，但他们实际上及格了。所以，它告诉你，因为显然你可以看到这个问题是你必须画出混淆矩阵。所以，正如我告诉你的，确保你知道混淆矩阵，这样你在考试中就不会有任何困惑。所以，让我们快速画出来。所以，记住混淆矩阵是什么样的。所以，这里你可以写预测，这里你可以写实际值，让我们这样划分。所以，记住，如果预测是正的，我们将P放在这里，N放在这里。所以，当实际值和预测值匹配时，这些被称为真阳性，真阴性。所以，这基本上是当我们说真假，对吧？所以，这是你的预测是，这是正的，这是负的，这是你的正的，这是负的。对吧？所以，真阴性，真阳性，这是假阳性，假阴性。现在，让我们填入。所以，总共有100名学生。模型正确预测了40名学生将及格，他们确实及格了。所以，模型的目标是预测及格，对吧？所以，这里正的是及格。所以，真阳性显然是40。有道理吗？真阳性是这40。下一个。它正确识别了30名即将不及格的学生。所以，真阴性是30。完成。然而，模型预测20名学生将及格，但他们最终不及格。模型说他们会及格，但实际情况是负面的。这是不及格。所以，这是模型说及格，正的，但实际是负的，不及格。所以，这显然是这20名学生。所以，这显然是假阳性。此外，它预测10名学生将不及格，但他们实际上及格了。所以，预测是负的，不及格，对吧？但他们实际上及格了。所以，这是假阴性。假阴性。所以，这是10。你们同意我的混淆矩阵吗？这里有什么困惑吗？清楚了吗？所以，非常非常重要的话题，混淆矩阵。已经有两个问题来了，来了，在客观题和这里。而且，这里显然他们要求你画出混淆矩阵。下一个部分是什么？计算这个分类模型的准确性并显示你的工作。所以，这是A部分。我们已经完成了A部分。现在，让我们做B部分。B部分基本上是准确性。准确性的含义是什么？准确性意味着在预测中，有多少是正确的。所以，基本上，呃，那是，精确度，抱歉，他们问的是准确性，对吧？所以，准确性意味着什么？正确的是什么？真阳性和真阴性。这些是正确的。对吧？所以，准确性意味着TP加TN除以你的总数乘以100%。总数意味着你必须将所有这些加起来。所以，显然这里真阳性是40，真阴性，意思是正确的。所以，40加30，总共是100名学生。所以，显然你可以看到答案将是70%是答案。完成。并写下模型做出的错误预测的总数。所以，这里只是数字，对吧？所以，在C部分，总错误，总错误将是什么？你的假阳性和假阴性，对吧？这些是错误的，意思是错误的。假阳性加假阴性，所以它将加起来是20加10，答案显然是30。这个问题对你来说是否清晰明了？所以，在那里你可以看到我们画出了我们的矩阵，40 20 10 30，对吧？所以，预测你可以写是或否，或者正或负，我写在那里，在那里你可以看到我们的准确性是0.7，或者作为百分比，70%是答案，错误预测总数是30。所以，希望你们都明白了。是的。好的，同学们，让我们继续下一个问题。我想这是最后一个问题。阅读，这是一个非常好的NLP问题。阅读以下三个文档并回答后续问题。所以，文档一说学生们喜欢学习AI。我敢肯定你们都喜欢它。AI正在改变教育。绝对。老师和学生正在探索AI工具。好的。所以，这些是你的文档，它们说在进行基本的文本处理，去除标点符号等等，并将它们转换为小写并进行分词后，文档变成这样。对吧？所以，最后你的文档看起来像这样，经过文本处理后。现在，他们说创建词典。他们给了你线索。词典基本上意味着词汇表，就像你的词典一样，你的词典包含来自所有三个文档的唯一单词。所以，你们能帮我做一下吗？所以，来吧，我们一起做A部分。A部分是我们将要创建一个唯一单词的词典。所以，来吧，我们来做吧。所以，我们的唯一单词词典将是什么？这里的唯一单词是什么？所以，我们将从这个开始。学生。所以，第一个词是学生。然后你有喜欢。学习AI，再次，AI你可以看到重复了，所以请不要再次添加它，它已经有了，它已经在那里了。正在改变教育，还没有，所以教育。之后，我们有老师和，这个被拿走了吗？不，而且，你看，学生已经被拿走了，所以不要添加它。探索AI已经在那里了，然后是工具。所以，你们同意这将是我们的词典吗？所以，词典请记住，它都是你的唯一单词，对吧？下一部分B，我们有什么？使用这个词典，为文档三构建文档向量。所以，你有了这个词典。现在，你需要做一个像这样的向量。所以，对于B部分。所以，做三个向量，它看起来会是什么样子？所以，记住，词典中的每个单词都将有一个文档向量，基本上意味着什么？检查词典中的那个词是否出现在文档中，并写下它的频率。好的。所以，让我们看看文档三是什么。文档是老师和学生探索AI工具。好的。所以，我们将从词典中的每个单词开始。学生。它在那里吗？所以，你必须做一个像这样的表格，学生，喜欢，学习等等。你们都明白了吗？所以，为了节省时间，我不会像这样制作表格。我只会按照相同的顺序写下频率。所以，学生，这个词学生在这个文档中吗？是的。所以，它，它出现了多少次？只有一次。所以，它得到的值是1。如果学生在这个，呃，文档中出现了两次，那么你会在这里写2。如果它出现了三次，你会写3。要清楚这一点。这不是它是否出现，而是它出现的次数。好的。然后，让我们看下一个词。喜欢出现吗？不。所以，喜欢是零。学习出现吗？不。所以，是零。然后下一个是AI。好的。让我们再写几个。AI正在改变。AI出现吗？是的。所以，看，大写和小写没关系，对吧？所以，一次，它出现一次。是，不出现，零。正在改变，不出现，零，等等。所以，你必须完成整个词典，直到最后。对吧？所以，教育，教育将是零。老师将是1，并且将是1。探索将是1，工具将是1。你们都明白了？所以，这变成了你的文档向量。这是你的文档向量，你必须构建。下一个问题是解释词袋模型，或者让我们看看解决方案。你们尝试了吗？所以，看，这是你的词典。这是你所有唯一单词的词典。记住，词典中没有重复。而你的文档向量基本上看起来像这样。它看起来像这样的表格，对吧？最后，向量意味着1 0 0，因为这个词典是固定的，就像你的ChatGPT词典是固定的。ChatGPT知道的所有单词，然后这是你的频率，对吧？而且，显然你可以看到只有一和零，如果一个词出现了两次，比如学生出现了两次，那么这里就是二。所以，看，1 0 0 1 0，像这样，整个，呃，文档三中的单词，所以，这是你的文档向量，清楚了吗？那个表格。下一个问题是解释词袋模型如何在特征提取中提供帮助。所以，这个词袋模型概念如何帮助特征提取？所以，词袋是什么意思？所以，整个方法，你将文档视为一个词袋，对吧？所以，整个句子，看我们如何转换它。我们把它看作是词典中的这些词的袋子，我们给它频率。所以，这些频率基本上是我们的特征，对吧？而在词袋模型中，我们不关心顺序。顺序无关紧要。只是单词出现的次数。就像在AI文档中，AI这个词会多次出现，对吧？也许，而且也会多次出现，但AI会出现很多。好的。所以，词袋模型是一种特征提取方法，我们将其将整个文本文档转换为简单的数字，1 0 0 1，只是简单的数字，简单的向量。所以，整个东西是一个向量，对吧？基于频率和单词的出现，基于你定义的词汇表。词汇表意味着你的词典。所以，你的整个文档基本上被转换成这个1 0 0。你会说，那标题呢？标题是固定的。词汇表是固定的。对吧？所以，如果你有，比如说，谷歌有成千上万的网页文档。所以，每个文档基本上都是一行数字，或者一行数字，对吧？它基本上是一行数字。而且，这使得机器学习模型能够像处理数字一样处理和分析文本数据。所以，文本对它来说变成了数字。好的。并且能够执行诸如文本分类之类的任务，因为我们知道计算机比处理单词更擅长处理数字。好的。所以，这就是，呃，这个，呃，词袋模型方法有所帮助的地方。最后一个问题是，为什么在词袋模型中不考虑单词的顺序？所以，请注意，当整个文档被转换成这样时，它只是计算单词是否存在，因为零意味着不存在，如果存在，它出现了多少次，但它并不重要，学生是在句子中第一个出现的，还是老师第一个出现的，或者在句子的末尾，这都不重要。所以，词袋模型关注的是哪些单词出现以及出现的次数，而不是它们如何或在哪里出现。所以，这就是为什么他们给出这个很好的东西。它基本上就像一个词袋，就像在购物袋里，当你放东西时，顺序不重要，你只是把它塞进去，对吧？或者当你去杂货店购物时，所有的蔬菜都会在那里，它们会混在一起，没关系，对吧？所以，顺序，它忽略了语法、句法和顺序，所以它只是在单词或概念频率的层面上查看，而不考虑语法等等。对吧？所以，它有它的优点和缺点，对吧？因为忽略了语法，它忽略了单词关联，对吧？比如人工智能，这是两个不同的词，但它们会一起出现很多次，但它只是分别查看“人工智能”和“智能”。所以，有很多优点和缺点。所以，非常非常好的问题，基于你的自然语言处理，即NLP概念。所以，同学们，希望你们喜欢这堂人工智能课，我们讨论了2025-26学年的整个CBSE样本试卷。所以，呃，这是一份非常好的试卷，有很多好的概念性问题，正如我所说的，问题是基于应用的，你应该清楚概念，或者你们可以观看我们课程中的AI视频，我也会把链接放在下面。所以，请查看我们网站manuchaacademy.com上的课程和我们的Android应用程序manaacademy。我们有科学、数学、编程、AI和IT基础课程。在我们的课程中，你将获得现场课程、概念视频、测验、问题、模拟测试和复习笔记。所以，各位，请查看一下，并确保你，呃，关注我们，呃，呃，订阅我们的YouTube频道，在Facebook、Insta和X上关注我们。所以，与Manucha Academy保持联系，享受你的学习，并祝你人工智能考试一切顺利。