Aap kya seekhenge
यह पाठ्यक्रम किस पर टिका है
कक्षा 11–12 का AI पाठ्यक्रम सटीक व जिम्मेदारी से पढ़ाना
यह Practitioner पाठ्यक्रम शिक्षकों को कक्षा 11–12 AI पाठ्यक्रम — Python, डेटा विज्ञान, मशीन लर्निंग, कंप्यूटर विज़न, NLP, बिग डेटा, तंत्रिका-नेटवर्क, जनित AI व नैतिकता — पढ़ाने, आँकने व मार्गदर्शन करने को तैयार करता है, व एक पूर्ण शिक्षक प्रैक्टिशनर पोर्टफोलियो के साथ उत्तीर्ण करता है।
वर्तमान कक्षा XI–XII AI पाठ्यक्रम से मैप्ड व अन्य बोर्डों हेतु अनुकूलनीय — एक पाठ्यक्रम-संरेखण मैट्रिक्स सहित, अनुमोदन के अस्पष्ट दावे नहीं।
पूरा स्टैक सटीक: Python, डेटा विज्ञान, मॉडल-मूल्यांकन, मशीन लर्निंग, नो-कोड AI, कंप्यूटर विज़न, NLP, बिग डेटा, तंत्रिका-नेटवर्क व जनित AI — हर कोड-उदाहरण चलने-योग्य व सत्यापित।
जिम्मेदार AI एक सतत परत: सत्यापन व मतिभ्रम, सार्वजनिक टूल में कोई असली विद्यार्थी-डेटा नहीं, कोई उत्पाद "तकनीक" के रूप में नहीं पढ़ाया, व हर AI उपयोग हेतु एक मनुष्य जवाबदेह।
हर मॉड्यूल एक कक्षा-कलाकृति बनाता, व पाठ्यक्रम एक पूर्ण, रूब्रिक-आधारित शिक्षक प्रैक्टिशनर पोर्टफोलियो व एक कैपस्टोन-मार्गदर्शन टूलकिट में समाप्त जिससे आप अपने विद्यार्थियों का पर्यवेक्षण कर सकें।
आप क्या बनाएँगे
आप एक समीक्षित शिक्षक प्रैक्टिशनर पोर्टफोलियो लेकर उत्तीर्ण होते हैं — प्रैक्टिशनर-स्तर तत्परता प्रमाणित करते चौदह घटक — जो चौदह-मानदंड विश्लेषणात्मक रूब्रिक पर आँका जाता है।
पाठ्यक्रम विवरण
इस Practitioner प्रमाणन से परिचित हों, इसे कक्षा XI–XII AI पाठ्यक्रम से मैप करें, सिद्धांत / प्रायोगिक फ़ाइल / प्रयोगशाला / कैपस्टोन अपेक्षाएँ समझें, अपना Python व Orange पर्यावरण सेट करें, निदान लें, व अपना व्यावसायिक पोर्टफोलियो व प्रमाणन-मार्ग योजनाबद्ध करें।
सीखने के परिणाम
- Navigate the course and describe how the twelve modules, diagnostic, assessments, practicals and capstone lead to certification.
- Map the course to the Classes XI–XII AI curriculum and distinguish theory, practical file, laboratory and capstone expectations.
- Set up the required Python and Orange environment and produce a personal course-and-classroom implementation plan.
पाठ
स्वागत व पाठ्यक्रम नेविगेशन
Objective: पाठ्यक्रम में आत्मविश्वास से चलें व वर्णित करें इसके भाग निदान से प्रमाणित शिक्षक-पोर्टफोलियो तक कैसे ले जाते हैं।
कक्षा XI व XII AI पाठ्यक्रम अवलोकन
Objective: कक्षा XI–XII AI पाठ्यक्रम के दायरे व यह पाठ्यक्रम इसकी मुख्य इकाइयों से कैसे मैप करता, वर्णित करें।
सिद्धांत, प्रायोगिक फ़ाइल, प्रयोगशाला व कैपस्टोन अपेक्षाएँ
Objective: वरिष्ठ-माध्यमिक AI के सिद्धांत, प्रायोगिक फ़ाइल, प्रयोगशाला व कैपस्टोन घटक व हर शिक्षक से क्या अपेक्षित करता, अलग करें।
आवश्यक हार्डवेयर, सॉफ़्टवेयर व खाता सेटअप
Objective: एक कार्यशील Python पर्यावरण व Orange Data Mining सेट करें, असली कक्षाओं हेतु सुगम्य व कम-बैंडविड्थ विकल्पों सहित।
निदान, व्यावसायिक पोर्टफोलियो व प्रमाणन रोडमैप
Objective: अपना मार्ग योजनाबद्ध करने निदान का उपयोग करें व प्रमाणन की ओर ले जाता व्यावसायिक पोर्टफोलियो स्थापित करें।
मॉड्यूल मूल्यांकन
Personal course-and-classroom implementation plan + portfolio setup · 8 प्रश्न
दृश्य अवधारणाएँ
Timeline Visual
Course journey map
Flowchart
Class XI–XII curriculum map
Flowchart
Assessment and certification flowchart
Flowchart
Software and laboratory setup diagram
संसाधन
Course handbook + navigation guide (Teacher-facing)
How the course, diagnostic, assessments, practicals and capstone connect.
Class XI–XII curriculum map + alignment matrix
Units mapped to modules, lessons, activities and assessments.
Assessment & certification flowchart
Diagnostic → modules → practicals → final → portfolio → certificate.
Python + Orange setup guide (with low-bandwidth alternatives)
Environment setup and offline/accessible options.
Professional portfolio & responsible-use acknowledgement template
Portfolio placeholders for all artefacts, plus the responsible-use agreement.
वरिष्ठ-माध्यमिक AI पढ़ाने हेतु एक सटीक आधार बनाएँ: AI क्या है व क्या नहीं, AI/ML/DL/जनित AI कैसे संबंधित, प्रमुख क्षेत्र व क्षेत्रों में वास्तविक अनुप्रयोग, क्षमताएँ व सीमाएँ, व AI करियर व कौशल-मार्ग।
सीखने के परिणाम
- Define AI accurately, distinguish rule-based from learned systems, and place AI, ML, deep learning and generative AI in their nested relationship.
- Describe the major AI domains and real applications across Indian and global sectors, and separate capabilities from limitations and misconceptions.
- Explain AI careers, roles and skill pathways relevant to senior-secondary students.
पाठ
कृत्रिम बुद्धिमत्ता क्या है व क्या नहीं
Objective: AI को सटीक परिभाषित करें, नियम-आधारित को सीखी प्रणालियों से अलग करें, व इसे मानवीय बताए बिना इसकी मूल सीमाएँ बताएँ।
AI, मशीन लर्निंग, गहन अधिगम व जनित AI
Objective: AI, मशीन लर्निंग, गहन अधिगम व जनित AI को उनके नेस्टेड संबंध में रखें व AI के प्रमुख मील-पत्थर रेखांकित करें।
प्रमुख AI क्षेत्र व वास्तविक अनुप्रयोग
Objective: प्रमुख AI क्षेत्र व क्षेत्रों में वास्तविक अनुप्रयोग वर्णित करें, शिक्षा व स्वास्थ्य से कृषि व सार्वजनिक-सेवाओं तक।
क्षमताएँ, सीमाएँ व आम भ्रांतियाँ
Objective: AI की वास्तविक क्षमताओं को इसकी वास्तविक सीमाओं से अलग करें व वरिष्ठ-माध्यमिक विद्यार्थियों की आम भ्रांतियाँ सुधारें।
AI करियर, नौकरी-भूमिकाएँ, उपकरण व कौशल-मार्ग
Objective: AI करियर, भूमिकाएँ व कौशल-मार्ग समझाएँ ताकि शिक्षक वरिष्ठ-माध्यमिक विद्यार्थियों को यथार्थ अगले कदमों की ओर मार्गदर्शन करें।
मॉड्यूल मूल्यांकन
Teacher-ready "Introduction to AI" lesson pack · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
AI–ML–DL–GenAI relationship diagram
Timeline Visual
AI history timeline
Flowchart
AI domain map
Flowchart
AI career pathway map
Comparison Chart
Capability-versus-limitation comparison
संसाधन
AI/ML/DL/GenAI reference card
PDF classroom resource
AI history timeline poster
PDF classroom resource
AI domain map
PDF classroom resource
AI career pathway map
PDF classroom resource
Capability vs limitation cards
PDF classroom resource
शिक्षकों को जिम्मेदार AI पढ़ाने व लागू करने तैयार करें: मानवीय एजेंसी व जवाबदेही, निष्पक्षता व पूर्वाग्रह, विद्यार्थी-गोपनीयता व सुरक्षित डेटा, IP व शैक्षणिक सत्यनिष्ठा, व्याख्येयता, व एक कक्षा AI नीति — अनामकृत परिदृश्यों से व कभी असली विद्यार्थी-डेटा नहीं।
सीखने के परिणाम
- Apply human agency, accountability, fairness and privacy principles to classroom AI use, and detect sources of bias.
- Set academic-integrity and AI-use disclosure norms, and apply intellectual-property and copyright rules.
- Draft a classroom responsible-AI policy and student AI-use agreement, and respond to AI incidents responsibly.
पाठ
मानवीय एजेंसी व शिक्षक जवाबदेही
Objective: यह सिद्धांत लागू करें कि एक मानव, AI नहीं, कक्षा-निर्णयों के नियंत्रण व जवाबदेह रहता।
निष्पक्षता, पूर्वाग्रह व पूर्वाग्रह के स्रोत
Objective: पहचानें AI जीवनचक्र में पूर्वाग्रह कहाँ प्रवेश करता व पूर्वाग्रही या अनुचित आउटपुट पहचानने चेकलिस्ट उपयोग करें।
विद्यार्थी गोपनीयता व सुरक्षित डेटा अभ्यास
Objective: गोपनीयता, सहमति, डेटा-न्यूनीकरण व अनामकरण नियम लागू करें, व असली विद्यार्थी-डेटा कभी सार्वजनिक AI टूल में दर्ज न करें।
बौद्धिक संपदा, शैक्षणिक सत्यनिष्ठा व AI-उपयोग प्रकटीकरण
Objective: बौद्धिक-संपदा व कॉपीराइट नियम लागू करें व स्पष्ट शैक्षणिक-सत्यनिष्ठा व AI-उपयोग प्रकटीकरण मानदंड तय करें।
व्याख्येयता, कक्षा AI नीति व जिम्मेदार जनित-AI उपयोग
Objective: मॉडल-सीमाएँ व पारदर्शिता समझाएँ, व एक कक्षा जिम्मेदार-AI नीति व विद्यार्थी AI-उपयोग समझौता तैयार करें।
मॉड्यूल मूल्यांकन
Classroom responsible-AI policy + student AI-use agreement · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Responsible AI decision tree
Comparison Chart
Data privacy traffic-light model
Cycle Diagram
Bias lifecycle diagram
Flowchart
Human-in-the-loop workflow
Flowchart
AI-use disclosure flowchart
संसाधन
Responsible AI decision tree
PDF classroom resource
Data privacy traffic-light guide
PDF classroom resource
Bias detection checklist
PDF classroom resource
Academic-integrity & AI-use continuum
PDF classroom resource
Classroom AI policy template
PDF classroom resource
वरिष्ठ-माध्यमिक AI पाठ्यक्रम जो Python अपेक्षित करता पढ़ाएँ — पर्यावरण, चर/प्रकार/संकारक/I-O, नियंत्रण-प्रवाह व फलन, सूचियाँ/शब्दकोश व NumPy, CSV व छूटे मानों सहित Pandas Series/DataFrames, व linear regression सहित पहला scikit-learn कार्यप्रवाह — शिक्षक-प्रदर्शन व विद्यार्थी-अभ्यास संस्करणों सहित चलाने-योग्य, सत्यापित उदाहरणों से।
सीखने के परिणाम
- Set up the environment and use Python basics — variables, types, operators, I/O, conditionals, loops and functions — with validated examples.
- Work with lists, dictionaries, NumPy arrays and Pandas Series/DataFrames, including reading CSVs and handling missing values.
- Run a first scikit-learn workflow with a linear regression demonstration, and debug and explain code to students.
पाठ
सेटअप, चर, डेटा-प्रकार, संकारक व इनपुट/आउटपुट
Objective: Python पर्यावरण सेट करें व चर, मूल डेटा-प्रकार, संकारक व इनपुट/आउटपुट सत्यापित उदाहरणों से उपयोग करें।
शर्त-कथन, लूप व फलन
Objective: if–else शर्तें, for/while लूप व फलन उपयोग कर सही, पुन:प्रयोज्य प्रोग्राम लिखें।
सूचियाँ, शब्दकोश व NumPy आधार
Objective: संरचित डेटा हेतु सूचियाँ व शब्दकोश व कुशल संख्यात्मक गणना हेतु NumPy सरणियाँ उपयोग करें।
Pandas Series व DataFrames, CSV डेटा व छूटे मान
Objective: CSV डेटा पढ़ने, निरीक्षण, व छूटे मान पहचानने व सँभालने Pandas Series व DataFrames उपयोग करें।
scikit-learn कार्यप्रवाह व एक Linear Regression प्रदर्शन
Objective: एक पहला scikit-learn कार्यप्रवाह चलाएँ — डेटा विभाजित, linear regression फ़िट, अनुमान व निरीक्षण — व कोड डिबग व विद्यार्थियों को समझाएँ।
मॉड्यूल मूल्यांकन
Python demonstration notebook + classroom worksheet (teacher & student versions) · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Code execution flow
Comparison Chart
Variable and data-type map
Flowchart
Loop trace diagram
Comparison Chart
DataFrame anatomy diagram
Flowchart
CSV-to-DataFrame workflow
Flowchart
Machine-learning code pipeline
संसाधन
Python demonstration notebook
PDF classroom resource
Student practice notebook
PDF classroom resource
Common errors & debugging guide
PDF classroom resource
NumPy & Pandas cheat sheet
PDF classroom resource
CSV datasets + data dictionary
PDF classroom resource
AI जिस पर टिका वह डेटा साक्षरता पढ़ाएँ — डेटा-प्रकार व स्रोत, संग्रह, नमूनाकरण, सहमति व गुणवत्ता, सफ़ाई, वर्णनात्मक सांख्यिकी (माध्य से मानक विचलन), सहसंबंध, सही चार्ट चुनना, व भ्रामक चार्ट पहचानना — एक डेटा-साक्षरता गतिविधि-पैक से।
सीखने के परिणाम
- Explain data types, formats, sources and collection methods, and apply sampling, consent and data-quality checks.
- Compute and interpret descriptive statistics — mean, median, mode, range, variance and standard deviation — and correlation.
- Choose appropriate visualisations, identify misleading charts, and lead data interpretation with classroom questioning.
पाठ
डेटा साक्षरता क्यों मायने रखती; डेटा-प्रकार, प्रारूप व स्रोत
Objective: समझाएँ डेटा साक्षरता AI को कैसे आधारित करती, व डेटा-प्रकार (संरचित/असंरचित, गुणात्मक/मात्रात्मक) व स्रोत अलग करें।
डेटा-संग्रह विधियाँ व स्रोत
Objective: उपयुक्त डेटा-संग्रह विधियाँ व स्रोत पहचानें, कक्षा हेतु स्वीकृत मुक्त डेटासेट व कृत्रिम डेटा को प्राथमिकता देते।
संग्रह, नमूनाकरण, सहमति, गुणवत्ता व सफ़ाई
Objective: सही डेटा-संग्रह, नमूनाकरण, सहमति व गुणवत्ता-जाँच लागू करें, व विश्लेषण हेतु डेटासेट साफ़ करें।
वर्णनात्मक सांख्यिकी व सहसंबंध
Objective: माध्य, माध्यिका, बहुलक, परास, प्रसरण व मानक विचलन गणना व व्याख्या करें, व सहसंबंध सही पढ़ें।
दृश्यीकरण चुनना व भ्रामक चार्ट पहचानना
Objective: डेटा व प्रश्न हेतु सही चार्ट चुनें, व पहचानें चार्ट कैसे गुमराह करते।
मॉड्यूल मूल्यांकन
Data-literacy activity pack (dataset + answer key + chart rubric) · 8 प्रश्न
दृश्य अवधारणाएँ
Cycle Diagram
Data lifecycle
Comparison Chart
Data-type classification
Checklist
Data-quality checklist
Flowchart
Chart-selection decision tree
Comparison Chart
Statistical concept diagrams
Comparison Chart
Good-versus-misleading chart comparison
संसाधन
Data-type classification reference
PDF classroom resource
Data-quality checklist
PDF classroom resource
Descriptive-statistics worksheet
PDF classroom resource
Chart-selection guide
PDF classroom resource
Datasets + answer key + chart rubric
PDF classroom resource
डेटा-विज्ञान विधि व कठोर मॉडल-मूल्यांकन पढ़ाएँ — समस्या-परिभाषा, EDA, विशेषताएँ व लक्ष्य, प्रशिक्षण/सत्यापन/परीक्षण विभाजन, अतिफिटिंग व अल्पफिटिंग, प्रतिगमन-मीट्रिक (MAE, MSE, RMSE) व वर्गीकरण-मीट्रिक (भ्रम-मैट्रिक्स, सटीकता, परिशुद्धता, प्रत्याह्वान, F1) — व मीट्रिक कैसे चुनें व सीमाएँ संप्रेषित करें।
सीखने के परिणाम
- Apply the data-science methodology — problem definition, EDA, features/target and the train/validation/test split.
- Explain overfitting and underfitting, and evaluate regression models with MAE, MSE and RMSE.
- Read a confusion matrix and compute accuracy, precision, recall and F1, select the right metric and communicate limitations.
पाठ
डेटा विज्ञान पद्धति, EDA, विशेषताएँ व लक्ष्य
Objective: समस्या-परिभाषा से EDA तक डेटा-विज्ञान पद्धति अनुसरण करें, व कार्य में विशेषताएँ व लक्ष्य पहचानें।
प्रशिक्षण, सत्यापन व परीक्षण डेटा; अतिफिटिंग व अल्पफिटिंग
Objective: प्रशिक्षण/सत्यापन/परीक्षण विभाजन समझाएँ व अतिफिटिंग को अल्पफिटिंग से अलग करें।
प्रतिगमन मूल्यांकन: MAE, MSE व RMSE
Objective: प्रतिगमन-मॉडल की त्रुटि मूल्यांकित करने MAE, MSE व RMSE गणना व व्याख्या करें।
वर्गीकरण मूल्यांकन: भ्रम-मैट्रिक्स, सटीकता, परिशुद्धता, प्रत्याह्वान व F1
Objective: एक वर्गीकारक हेतु भ्रम-मैट्रिक्स पढ़ें व सटीकता, परिशुद्धता, प्रत्याह्वान व F1 गणना करें।
सार्थक मीट्रिक चुनना व मॉडल-सीमाएँ संप्रेषित करना
Objective: संदर्भ हेतु सही मूल्यांकन-मीट्रिक चुनें व मॉडल की सीमाएँ ईमानदार संप्रेषित करें।
मॉड्यूल मूल्यांकन
Model-evaluation worksheet + teacher explanation guide · 8 प्रश्न
दृश्य अवधारणाएँ
Cycle Diagram
Data science lifecycle
Flowchart
Train-validation-test split diagram
Comparison Chart
Overfitting-versus-underfitting curves
Comparison Chart
Interactive confusion matrix
Flowchart
Metric-selection guide
Comparison Chart
Model evaluation dashboard
संसाधन
Data-science lifecycle poster
PDF classroom resource
Train/validation/test guide
PDF classroom resource
Regression metrics reference (MAE/MSE/RMSE)
PDF classroom resource
Confusion matrix worksheet
PDF classroom resource
Metric-selection guide
PDF classroom resource
मशीन-लर्निंग अवधारणाएँ व मूल एल्गोरिद्म किसी भारी गणित से पहले दृश्य व वैचारिक पढ़ाएँ — मशीनें उदाहरणों से कैसे सीखतीं, पर्यवेक्षित/अपर्यवेक्षित/सुदृढ़ीकरण अधिगम, प्रतिगमन, वर्गीकरण व क्लस्टरिंग, K-निकटतम पड़ोसी, निर्णय-वृक्ष, K-means, एल्गोरिद्म-चयन, व सीमाएँ व विफलता।
सीखने के परिणाम
- Explain how machines learn from examples and distinguish supervised, unsupervised and reinforcement learning.
- Describe regression, classification, clustering, K-nearest neighbours, decision trees and K-means conceptually and visually.
- Select an appropriate algorithm for a task and explain limitations, bias and model failure with classroom demonstrations.
पाठ
मशीनें उदाहरणों से कैसे सीखतीं; अधिगम-प्रकार
Objective: समझाएँ मशीनें लेबल किए या बिना-लेबल उदाहरणों से पैटर्न कैसे सीखतीं, व पर्यवेक्षित, अपर्यवेक्षित व सुदृढ़ीकरण अधिगम अलग करें।
प्रतिगमन, वर्गीकरण व क्लस्टरिंग
Objective: तीन मूल ML कार्य — प्रतिगमन, वर्गीकरण व क्लस्टरिंग — अलग करें व पहचानें कौन समस्या से फिट।
K-निकटतम पड़ोसी (KNN)
Objective: समझाएँ K-निकटतम पड़ोसी एल्गोरिद्म नए बिंदु को इसके निकटतम पड़ोसियों के बहुमत-मत से कैसे वर्गीकृत करता।
निर्णय-वृक्ष व K-means क्लस्टरिंग
Objective: समझाएँ निर्णय-वृक्ष अनुमान कैसे लगाता व K-means डेटा को k क्लस्टरों में कैसे समूहित करता।
एल्गोरिद्म-चयन, सीमाएँ, पूर्वाग्रह व मॉडल विफलता
Objective: कार्य हेतु उपयुक्त एल्गोरिद्म चुनें व मशीन-लर्निंग मॉडलों की सीमाएँ, पूर्वाग्रह व विफलता-तरीके समझाएँ।
मॉड्यूल मूल्यांकन
Machine-learning classroom demonstration pack · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Machine-learning taxonomy
Comparison Chart
Regression line visualisation
Comparison Chart
Classification boundary
Comparison Chart
KNN neighbour selection
Flowchart
Decision-tree diagram
Cycle Diagram
K-means clustering progression
संसाधन
ML taxonomy poster
PDF classroom resource
KNN worked example
PDF classroom resource
Decision-tree template
PDF classroom resource
K-means step-by-step guide
PDF classroom resource
Algorithm-selection matrix
PDF classroom resource
Orange Data Mining में पूर्ण नो-कोड AI कार्यप्रवाह पढ़ाएँ — इंस्टॉल व नेविगेट, विजेट व कार्यप्रवाह समझना, डेटा लोड व अन्वेषण, वर्गीकरण व मॉडल-तुलना, क्लस्टरिंग, पाठ व छवि विश्लेषिकी, व निर्यात, प्रलेखन व समस्या-निवारण — ताकि हर शिक्षक बिना प्रोग्रामिंग असली AI चला सके।
सीखने के परिणाम
- Install and navigate Orange, and build a workflow by connecting widgets to load and explore a dataset.
- Build classification and clustering workflows in Orange and compare and evaluate models without code.
- Run text and image analytics workflows, and export, document, assess and troubleshoot Orange work.
पाठ
डेटा-माइनिंग परिचय; Orange इंस्टॉल व नेविगेट
Objective: डेटा-माइनिंग समझाएँ व Orange Data Mining पर्यावरण इंस्टॉल व नेविगेट करें।
विजेट, कार्यप्रवाह, व डेटा लोड व अन्वेषण
Objective: एक बुनियादी Orange कार्यप्रवाह विजेट जोड़कर बनाएँ ताकि डेटासेट लोड व डेटा-तालिका व दृश्यीकरण विजेट से अन्वेषित करें।
वर्गीकरण कार्यप्रवाह, मॉडल-तुलना व मूल्यांकन
Objective: Orange में वर्गीकरण कार्यप्रवाह बनाएँ, मॉडल प्रशिक्षित व तुलनें, व भ्रम-मैट्रिक्स व मीट्रिक से मूल्यांकित करें।
क्लस्टरिंग, पाठ व छवि विश्लेषिकी कार्यप्रवाह
Objective: Orange में बिना कोड क्लस्टरिंग, पाठ (शब्द-मेघ) व छवि विश्लेषिकी कार्यप्रवाह बनाएँ।
Orange कार्य निर्यात, प्रलेखन, आकलन व समस्या-निवारण
Objective: एक Orange कार्यप्रवाह निर्यात व प्रलेखित करें, विद्यार्थी Orange कार्य आँकें, व आम त्रुटियाँ निवारण करें।
मॉड्यूल मूल्यांकन
Completed Orange workflow + teacher assessment checklist · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Orange widget map
Flowchart
End-to-end classification workflow
Flowchart
Model evaluation workflow
Flowchart
NLP workflow
Flowchart
Image analytics workflow
Flowchart
Troubleshooting decision tree
संसाधन
Orange widget map
PDF classroom resource
Classification workflow guide
PDF classroom resource
Model evaluation workflow guide
PDF classroom resource
Clustering & text/image workflow guides
PDF classroom resource
Troubleshooting decision tree
PDF classroom resource
कंप्यूटर विज़न व NLP साथ पढ़ाएँ — डिजिटल छवियाँ कैसे निरूपित, कंप्यूटर-विज़न पाइपलाइन, वर्गीकरण/पहचान/विभाजन, load/display/resize सहित OpenCV परिचय, CV सीमाएँ व गोपनीयता, फिर भाषा व टोकन, एक NLP परिचय, पाठ-वर्गीकरण/भाव/चैटबॉट, व भाषा-प्रणालियों में पूर्वाग्रह व सांस्कृतिक संदर्भ।
सीखने के परिणाम
- Explain how digital images are represented and the computer-vision pipeline, and distinguish classification, detection and segmentation.
- Use OpenCV to load, display and resize an image, and explain computer-vision limitations and privacy.
- Explain NLP, tokens and text representation, text classification/sentiment/chatbots, and bias and cultural context in language systems.
पाठ
डिजिटल छवियाँ कैसे निरूपित; कंप्यूटर-विज़न पाइपलाइन
Objective: समझाएँ छवियाँ पिक्सेल के ग्रिड (ग्रेस्केल/RGB) व अधिग्रहण से आउटपुट तक कंप्यूटर-विज़न पाइपलाइन वर्णित करें।
पूर्व-संसाधन, विशेषताएँ, व वर्गीकरण, पहचान व विभाजन
Objective: छवि पूर्व-संसाधन व विशेषता-निष्कर्षण समझाएँ व वर्गीकरण, पहचान व विभाजन वास्तविक अनुप्रयोगों सहित अलग करें।
OpenCV परिचय, व कंप्यूटर-विज़न सीमाएँ व गोपनीयता
Objective: सत्यापित कोड से छवि load, display व resize करने OpenCV उपयोग करें, व कंप्यूटर-विज़न सीमाएँ व गोपनीयता समझाएँ।
भाषा, टोकन व पाठ-निरूपण; NLP परिचय
Objective: समझाएँ मशीनें टोकन व सरल संख्यात्मक विधियों से पाठ कैसे निरूपित करतीं, व NLP व इसके अनुप्रयोग प्रस्तुत करें।
पाठ-वर्गीकरण, भाव, चैटबॉट, व भाषा-प्रणालियों में पूर्वाग्रह
Objective: पाठ-वर्गीकरण, भाव-विश्लेषण व चैटबॉट समझाएँ, एक सरल कक्षा चैटबॉट-प्रवाह डिज़ाइन करें, व भाषा-प्रणालियों में पूर्वाग्रह व सांस्कृतिक संदर्भ पहचानें।
मॉड्यूल मूल्यांकन
Computer-vision or NLP classroom demonstration · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
Pixel and colour-channel explorer
Flowchart
Computer-vision pipeline
Comparison Chart
Classification-detection-segmentation comparison
Flowchart
OpenCV processing sequence
Flowchart
NLP pipeline
Flowchart
Chatbot conversation flow
संसाधन
Pixel & colour-channel reference
PDF classroom resource
CV pipeline poster
PDF classroom resource
OpenCV load/display/resize guide
PDF classroom resource
NLP pipeline poster
PDF classroom resource
Chatbot flow template
PDF classroom resource
पढ़ाएँ क्या डेटा को "बड़ा" बनाता (5 V), संरचित/अर्ध-संरचित/असंरचित डेटा, बैच बनाम स्ट्रीम विश्लेषिकी, व न्यूरल नेटवर्क वैचारिक — कृत्रिम न्यूरॉन (इनपुट, भार, पूर्वाग्रह, सक्रियण, आउटपुट), परतें व अग्र-प्रसार, प्रशिक्षण व त्रुटि-न्यूनीकरण, सामान्य नेटवर्क-प्रकार व उनका सामाजिक प्रभाव व सीमाएँ।
सीखने के परिणाम
- Explain what makes data "big" (the 5 Vs), distinguish structured/semi-structured/unstructured data, and compare batch and stream analytics.
- Explain an artificial neuron (inputs, weights, bias, activation, output), layers and forward propagation, and training as error reduction.
- Describe common neural-network types, demonstrate the idea interactively, and discuss societal impact and limitations.
पाठ
क्या डेटा को "बड़ा" बनाता; 5 V
Objective: 5 V से समझाएँ क्या डेटा को "बड़ा" बनाता व संरचित, अर्ध-संरचित व असंरचित डेटा अलग करें।
डेटा-प्रकार व बैच बनाम स्ट्रीम विश्लेषिकी; लाभ, जोखिम व सीमाएँ
Objective: बैच को स्ट्रीम विश्लेषिकी से अलग करें व बड़े डेटा के लाभ, जोखिम व सीमाएँ तौलें।
कृत्रिम न्यूरॉन: इनपुट, भार, पूर्वाग्रह, सक्रियण व आउटपुट
Objective: एक कृत्रिम न्यूरॉन समझाएँ: यह इनपुट को भार से गुणा करता, एक पूर्वाग्रह जोड़ता, व आउटपुट बनाने सक्रियण-फलन लगाता।
परतें, अग्र-प्रसार व त्रुटि-न्यूनीकरण के रूप में प्रशिक्षण
Objective: समझाएँ न्यूरॉन परतें कैसे बनाते, अग्र-प्रसार आउटपुट कैसे बनाता, व प्रशिक्षण त्रुटि वैचारिक कैसे घटाता।
सामान्य नेटवर्क-प्रकार, एक इंटरैक्टिव प्रदर्शन, व सामाजिक प्रभाव
Objective: सामान्य न्यूरल-नेटवर्क प्रकार वर्णित करें, एक इंटरैक्टिव प्रदर्शन योजनाएँ, व न्यूरल नेटवर्क का सामाजिक प्रभाव व सीमाएँ चर्चें।
मॉड्यूल मूल्यांकन
Neural-network concept lesson + interactive demonstration plan · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Big-data characteristics map
Comparison Chart
Batch-versus-stream diagram
Flowchart
Artificial-neuron animation
Flowchart
Layered neural-network visualisation
Comparison Chart
Activation-function comparison
Timeline Visual
Training-loss progression
संसाधन
Big-data 5 Vs poster
PDF classroom resource
Batch vs stream reference
PDF classroom resource
Artificial-neuron diagram
PDF classroom resource
Neural-network layers poster
PDF classroom resource
TensorFlow Playground demonstration guide
PDF classroom resource
जनित AI जिम्मेदारी से व विक्रेता-तटस्थ पढ़ाएँ — यह क्या, जनित बनाम विवेचक मॉडल, वृहद भाषा मॉडल वैचारिक कैसे काम करते (टोकन, संदर्भ, प्रायिकता), बहुविध जनन, प्रॉम्प्ट-संरचना, प्राप्ति-आधारित जनन, मतिभ्रम व सत्यापन, पूर्वाग्रह व सुरक्षा, कक्षा-उपयोग व विद्यार्थी-सीमाएँ, व जनित-AI आउटपुट मूल्यांकन।
सीखने के परिणाम
- Explain generative AI, generative versus discriminative models, and how LLMs work conceptually (tokens, context, probability).
- Write and iterate prompts, use retrieval-grounded generation, and verify outputs for accuracy, bias and safety.
- Set student-use boundaries and disclosure, design a simple chatbot, and evaluate generative-AI outputs with a rubric.
पाठ
जनित AI क्या है; जनित बनाम विवेचक मॉडल
Objective: जनित AI क्या है समझाएँ व जनित को विवेचक मॉडलों से अलग करें।
वृहद भाषा मॉडल कैसे काम करते; टोकन, संदर्भ व प्रायिकता
Objective: वैचारिक रूप से समझाएँ एक वृहद भाषा मॉडल प्रायिकता से संदर्भ से अगला टोकन कैसे अनुमानता।
प्रॉम्प्ट-संरचना, पुनरावृत्त प्रॉम्प्टिंग व बहुविध जनन
Objective: एक संरचित प्रॉम्प्ट लिखें, पुनरावृत्ति से सुधारें, व वर्णित करें जनित AI पाठ, छवि, ऑडियो, वीडियो व कोड कैसे बनाता।
प्राप्ति-आधारित जनन, मतिभ्रम व तथ्यात्मक सत्यापन
Objective: प्राप्ति-आधारित जनन समझाएँ, मतिभ्रम क्यों होता, व जनित-AI आउटपुट भरोसेमंद स्रोतों से सत्यापित करें।
पूर्वाग्रह, सुरक्षा, कक्षा-उपयोग, विद्यार्थी-सीमाएँ व आउटपुट-मूल्यांकन
Objective: जनित AI हेतु कक्षा-उपयोग-मामले व विद्यार्थी-उपयोग सीमाएँ तय करें, व जनित-AI आउटपुट एक रूब्रिक से मूल्यांकित करें।
मॉड्यूल मूल्यांकन
Teacher-reviewed generative-AI activity + output-evaluation rubric · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
Generative-versus-discriminative comparison
Flowchart
Simplified LLM workflow
Comparison Chart
Token and context visualisation
Flowchart
Prompt anatomy
Flowchart
Retrieval-grounded generation workflow
Checklist
AI-output verification checklist
संसाधन
Generative vs discriminative reference
PDF classroom resource
Prompt-design template
PDF classroom resource
Retrieval-grounded generation guide
PDF classroom resource
AI-output verification checklist
PDF classroom resource
Generative-AI output-evaluation rubric
PDF classroom resource
पाठ्यक्रम को कैपस्टोन मार्गदर्शन व कक्षा-कार्यान्वयन में जोड़ें — प्रामाणिक समस्याएँ पहचानना, 5W1H व डिज़ाइन-थिंकिंग, SDG संरेखण, परियोजना-सार व योजना, प्रलेखन व साक्ष्य, डेटा-कहानी व नैतिक चार्ट-चयन, व विद्यार्थियों को प्रस्तुति, मौखिकी व सहकर्मी-समीक्षा हेतु तैयार करना — एक कैपस्टोन मार्गदर्शन टूलकिट व अंतिम शिक्षक-पोर्टफोलियो में परिणत।
सीखने के परिणाम
- Mentor students to identify authentic problems using 5W1H, design thinking and empathy mapping, and align projects to the SDGs.
- Guide project abstracts, planning, documentation and evidence collection, and teach effective, ethical data storytelling.
- Prepare students for a three-minute presentation, viva and peer review, and produce a capstone mentoring toolkit and classroom implementation plan.
पाठ
प्रामाणिक समस्याएँ पहचानना: 5W1H, डिज़ाइन-थिंकिंग व एम्पैथी-मैपिंग
Objective: 5W1H, डिज़ाइन-थिंकिंग व एम्पैथी-मैपिंग से विद्यार्थियों को प्रामाणिक, अच्छी-निर्धारित समस्याएँ पहचानने मार्गदर्शन करें।
SDG संरेखण, परियोजना-सार व योजना
Objective: एक कैपस्टोन SDG से संरेखित करें व एक परियोजना-सार मार्गदर्शन करें जो उपयोगकर्ता, डेटा, सफलता-मानदंड व एक मॉडल-व-मूल्यांकन योजना परिभाषित करे।
परियोजना-प्रलेखन, साक्ष्य-संग्रह व प्रायोगिक फ़ाइलें
Objective: विद्यार्थियों को परियोजना उचित प्रलेखित करने व प्रायोगिक फ़ाइल व मौखिकी को चाहिए साक्ष्य जुटाने मार्गदर्शन करें।
डेटा-कहानी: चार्ट चुनना, डेटा व दृश्य मिलाना, व नैतिकता
Objective: प्रभावी, नैतिक डेटा-कहानी पढ़ाएँ — एक स्पष्ट आख्यान, सही चार्ट, व ईमानदार प्रस्तुति।
प्रस्तुति, मौखिकी, सहकर्मी-समीक्षा व कक्षा-कार्यान्वयन योजना
Objective: विद्यार्थियों को तीन-मिनट प्रस्तुति, मौखिकी व सहकर्मी-समीक्षा हेतु तैयार करें, व एक कैपस्टोन मार्गदर्शन-टूलकिट व कक्षा-कार्यान्वयन योजना बनाएँ।
मॉड्यूल मूल्यांकन
Capstone mentoring toolkit + final teacher portfolio · 8 प्रश्न
दृश्य अवधारणाएँ
Cycle Diagram
Capstone lifecycle
Cycle Diagram
Design-thinking cycle
Flowchart
SDG alignment map
Timeline Visual
Data-story arc
Timeline Visual
Three-minute presentation storyboard
Flowchart
Viva preparation map
संसाधन
5W1H & design-thinking templates
PDF classroom resource
SDG alignment map
PDF classroom resource
Project abstract & documentation templates
PDF classroom resource
Data-storytelling & chart-choice guide
PDF classroom resource
Viva question bank + presentation storyboard
PDF classroom resource
Classroom implementation plan template
PDF classroom resource
AI मसौदा बना सकता है, पर वह समझता या सत्यापित नहीं करता। आप जो भी उपयोग करते हैं उसकी सटीकता, निष्पक्षता, गोपनीयता और कक्षा-उपयुक्तता की ज़िम्मेदारी आपकी है।