AI & Future Skills19 October 202610 min read
Artificial Intelligence in Assamese & Bengali: A Trilingual Glossary for AHSEC Higher Secondary (Class 11 & 12) Learners
Master AHSEC Class 11 and 12 Artificial Intelligence (Subject Code 527/985) in your mother tongue. A comprehensive trilingual glossary mapping 45+ essential machine learning, data science, and neural network terms across English, Assamese (অসমীয়া), and Bengali (বাংলা) by M F Haque.
Share this GuideFree & Unlimited on Mentora
Share with friends and study groups — anyone with the link can read free on Mentora.
Key Strategic Takeaways
- Master 45+ foundational AI and machine learning definitions translated across English, Assamese (অসমীয়া), and Bengali (বাংলা).
- Clear conceptual understanding of Supervised vs Unsupervised Learning, Neural Weights, Bias, Overfitting, and Gradient Descent.
- Complete Orange Data Mining widget translations for the AHSEC Class 12 50-mark Practical Lab Examination.
- Official AHSEC board exam guidelines on bilingual writing, transliteration, and English code syntax rules.
- Direct integration with Mentora's ASSEB AI Curriculum Portal offering 1-click vernacular translations.
Artificial Intelligence in Assamese & Bengali: A Trilingual Glossary for AHSEC Higher Secondary (Class 11 & 12) Learners
The Vernacular AI Learning Advantage
Under the Assam Higher Secondary Education Council (AHSEC / ASSEB Subject Code 527 / 985), Artificial Intelligence is introduced across Higher Secondary Class XI and XII. For thousands of students studying in Assamese-medium and Bengali-medium institutions across the Brahmaputra and Barak Valleys, abstract technical terms such as Overfitting, Gradient Descent, Supervised Learning, and Confusion Matrix can feel intimidating when taught exclusively in dry English.
Cognitive linguistics demonstrates that students comprehend abstract computer science concepts up to 40% faster when foundational definitions are anchored in their mother tongue. This trilingual reference manual provides precise, curriculum-aligned conceptual mappings across English 🇬🇧, Assamese (অসমীয়া) 🇮🇳, and Bengali (বাংলা) 🇮🇳.
1. Foundational AI & Machine Learning Taxonomy
The following terms form the theoretical backbone of Unit 1 & Unit 2 of AHSEC Class 11 and Class 12 (Part B: Subject Specific Skills).
| English Term | Assamese (অসমীয়া) | Bengali (বাংলা) | Conceptual Definition & Board Exam Context |
|---|---|---|---|
| Artificial Intelligence (AI) | কৃত্ৰিম বুদ্ধিমত্তা | কৃত্রিম বুদ্ধিমত্তা | মানৱ বুদ্ধিমত্তা অনুsimulate কৰা কম্পিউটাৰ প্ৰণালী। The simulation of human cognitive capabilities (learning, reasoning, self-correction) by software systems. |
| Machine Learning (ML) | যান্ত্ৰিক শিক্ষণ | যান্ত্রিক শিখন | পূৰ্বৰ অভিজ্ঞতা আৰু তথ্যৰ পৰা স্বয়ংক্ৰিয়ভাৱে শিকাৰ এলগৰিথম। Subfield of AI where algorithms improve their performance on a specific task through empirical data exposure without explicit hardcoding. |
| Deep Learning (DL) | গভীৰ শিক্ষণ | গভীর শিখন | বহুস্তৰীয় স্নায়ু তন্ত্ৰৰ (Neural Network) ওপৰত ভিত্তি কৰি কৰা যান্ত্ৰিক শিক্ষণ। Specialized subset of ML utilizing multi-layered artificial neural networks to model high-level data abstractions. |
| Supervised Learning | তত্ত্বাৱধানাধীন শিক্ষণ | তত্ত্বাবধায়নাধীন শিখন | লেবেলযুক্ত (Labeled) তথ্যৰ সহায়ত এলগৰিথমক প্ৰশিক্ষণ দিয়া প্ৰক্ৰিয়া। Training a predictive model where each training instance is paired with an input vector and a known target label (e.g. Classification & Regression). |
| Unsupervised Learning | তত্ত্বাৱধানহীন শিক্ষণ | তত্ত্বাবধায়নহীন শিখন | কোনো নিৰ্দিষ্ট লেবেল নোহোৱাকৈ তথ্যৰ মাজত অন্তৰ্নিহিত নমুনা (Patterns) বা গোট (Clusters) বিচাৰি উলিওৱা। Discovering hidden patterns or groupings in unlabeled datasets (e.g. K-Means Clustering). |
| Reinforcement Learning | সুদৃঢ়কৰণ শিক্ষণ | পুনর্বলন শিখন | পুৰস্কাৰ (Reward) আৰু শাস্তিৰ (Penalty) জৰিয়তে পৰিৱেশৰ সৈতে মিথস্ক্ৰিয়া কৰি শিকা ব্যৱস্থা। Goal-oriented agent learning through continuous environmental interactions using rewards and penalties. |
| Training Dataset | প্ৰশিক্ষণ তথ্য সংগ্ৰহ | প্রশিক্ষণ ডেটাসেট | এলগৰিথমক শিকাবলৈ ব্যৱহাৰ কৰা মূল তথ্যৰ অংশ (সাধাৰণতে ৭০%–৮০%)। The primary portion of empirical data fed into a machine learning algorithm to optimize model weights and internal parameters. |
| Testing Dataset | পৰীক্ষণ তথ্য সংগ্ৰহ | পরীক্ষণ ডেটাসেট | প্ৰশিক্ষিত মডেলটোৰ নিখুঁততা পৰীক্ষা কৰিবলৈ আঁতৰাই ৰখা অচিনাকি তথ্য (সাধাৰণতে ২০%–৩০%)। An independent partition of data withheld during training to objectively evaluate generalization accuracy on unseen examples. |
2. Model Architecture, Training & Performance Metrics
These core definitions appear routinely in AHSEC Class 12 Section B (Machine Learning Paradigms & Evaluation) and in board practical viva examinations.
| English Term | Assamese (অসমীয়া) | Bengali (বাংলা) | Board Exam Explanation & Analogies |
|---|---|---|---|
| Artificial Neural Network (ANN) | কৃত্ৰিম স্নায়ু তন্ত্ৰ | কৃত্রিম স্নায়বিক নেটওয়ার্ক | মানৱ মস্তিষ্কৰ জৈৱিক স্নায়ুকোষৰ (Neurons) দৰে গঠিত আন্তঃসংযুক্ত গাণিতিক নোডৰ জাল। Interconnected networks of mathematical processing nodes modeled after biological neurons. |
| Weights & Bias | ভাৰ (Weight) আৰু পক্ষপাত (Bias) | ওজন (Weight) এবং বায়াস (Bias) | স্নায়ু সংযোগী সংকেতৰ শক্তি আৰু সক্ৰিয়কৰণৰ প্ৰাৰম্ভিক মান। Weights control signal amplification between layers; Bias shifts the activation threshold to prevent zero-input lockup. |
| Activation Function | সক্ৰিয়কৰণ ফলন | অ্যাক্টিভেশন ফাংশন | নোড এটাৰ পৰা পৰৱৰ্তী স্তৰলৈ সংকেত প্ৰেৰণ কৰিবনে নকৰে তাক নিৰ্ণয় কৰা অশৈক্ষিক (Non-linear) গাণিতিক সূত্ৰ (যেনে ReLU, Sigmoid)। Mathematical equation determining whether a neuron fires based on cumulative input. |
| Overfitting | অতি-যোজন (Overfitting) | ওভারফিটিং (Overfitting) | মডেলে প্ৰশিক্ষণ তথ্যৰ প্ৰতিটো সৰু আসোঁৱাহ মুখস্থ কৰে, কিন্তু নতুন অচিনাকি তথ্যত বিফল হয়। When a model learns noise in the training data too well, failing to generalize to real-world test data. |
| Underfitting | অপ্ৰতুল-যোজন (Underfitting) | আন্ডারফিটিং (Underfitting) | মডেলটো অতি সৰল হোৱাৰ বাবে প্ৰশিক্ষণ তথ্যৰ মূল ধাৰণাবোৰো ধৰিব নোৱাৰে। When a model is too simplistic to capture the underlying trend of the data, resulting in poor training and testing performance. |
| Confusion Matrix | বিভ্ৰান্তি মেট্ৰিক্স | বিভ্রান্তি ম্যাট্রিক্স | শ্ৰেণীবিভাজন মডেলৰ প্ৰকৃত বনাম পূৰ্বানুমানিত ফলাফল প্ৰদৰ্শন কৰা ২×২ বা N×N তালিকা। An N imes N grid cross-tabulating True Positives (TP), True Negatives (TN), False Positives (FP), and False Negatives (FN). |
| Precision | নিখুঁততা (প্ৰেচিচন) | যথার্থতা (প্রিসিশন) | ধনাত্মক বুলি পূৰ্বানুমান কৰা ফলাফলবোৰৰ ভিতৰত প্ৰকৃততে কিমান শতাংশ শুদ্ধ rac{TP}{TP + FP}। Ratio of correctly predicted positive observations to total predicted positive observations. |
| Recall (Sensitivity) | পুনৰুদ্ধাৰ (ৰিকল) | স্মরণ (রিকল) | প্ৰকৃত ধনাত্মক ঘটনাৰ কিমান শতাংশ মডেলে চিনাক্ত কৰিব পাৰিলে rac{TP}{TP + FN}। Ratio of correctly predicted positive observations to all actual observations in the true class. |
| Accuracy | সামগ্ৰিক শুদ্ধতা | সামগ্রিক নির্ভুলতা | মুঠ পৰীক্ষাৰ ভিতৰত মডেলে দিয়া শুদ্ধ পূৰ্বানুমানৰ অনুপাত rac{TP + TN}{ ext{Total}}। The aggregate proportion of correct predictions across all evaluation classes. |
| Loss Function | ক্ষতি ফলন | ক্ষতি ফাংশন | মডেলৰ পূৰ্বানুমান আৰু প্ৰকৃত ফলাফলৰ মাজৰ পাৰ্থক্য জোখা গাণিতিক পদ্ধতি। Mathematical formula quantifying the discrepancy between predicted outputs and ground-truth values. |
| Gradient Descent | নতি অৱৰোহণ | গ্রেডিয়েন্ট ডিসেন্ট | ক্ষতি ফলনৰ মান নূন্যতম কৰিবলৈ মডেলৰ ভাৰসমূহ (Weights) ক্ৰমান্বয়ে সংশোধন কৰাৰ অপ্টিমাইজেশ্বন এলগৰিথম। Iterative optimization algorithm used to minimize the loss function by updating parameters. |
3. Computer Vision & Natural Language Processing (CV & NLP)
Unit 3 and Unit 4 cover sensory intelligence. Understanding these technical terms in regional languages eliminates conceptual ambiguity.
| English Term | Assamese (অসমীয়া) | Bengali (বাংলা) | Technical Nuance & Applications |
|---|---|---|---|
| Computer Vision (CV) | কম্পিউটাৰ দৃষ্টি | কম্পিউটার দৃষ্টি | ডিজিটেল ছবি আৰু ভিডিঅ'ৰ পৰা অৰ্থপূৰ্ণ তথ্য আহৰণ আৰু বিশ্লেষণ কৰাৰ কম্পিউটাৰ প্ৰযুক্তি। The field of AI enabling computational devices to interpret, categorize, and extract structured data from visual feeds. |
| Pixel | পিক্সেল (ছবিৰ ক্ষুদ্ৰতম বিন্দু) | পিক্সেল (চিত্রবিন্দু) | ডিজিটেল ছবি এখন গঠন কৰা ক্ষুদ্ৰতম ৰঙৰ বিন্দু (RGB মান বিশিষ্ট)। The smallest addressable element in a raster image, typically represented by 8-bit channels for Red, Green, and Blue (0–255). |
| Convolutional Layer | কনভলিউচনেল স্তৰ | কনভোলিউশনাল স্তর | ছবিৰ পৰা দাঁতি (Edges), কোণ (Corners), আৰু গঠন (Textures) ধৰিবলৈ ব্যৱহাৰ কৰা ফিল্টাৰ স্তৰ। Specialized matrix filters that slide over raw image matrices to extract spatial features. |
| Natural Language Processing (NLP) | প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণ | প্রাকৃতিক ভাষা প্রক্রিয়াকরণ | মানুহৰ কথিত আৰু লিখিত ভাষা কম্পিউটাৰে বুজি পোৱা আৰু উৎপাদন কৰা প্ৰযুক্তি। Computational manipulation of human speech and text to comprehend intent, sentiment, and semantic meaning. |
| Tokenization | টোকেন বিভাজন (টোকেনাইজেচন) | টোকেনাইজেশন | দীঘলীয়া বাক্য বা অনুচ্ছেদক সৰু সৰু শব্দ বা আখৰৰ এককত বিভক্ত কৰা প্ৰক্ৰিয়া। Breaking down continuous paragraphs of text into discrete linguistic units (words, subwords, punctuation). |
| Stop Words | নিষেধিত বা গুৰুত্বহীন শব্দ | স্টপ ওয়ার্ডস | বাক্যাংশত প্ৰায়ে ব্যৱহৃত হোৱা কিন্তু বিশেষ অৰ্থহীন শব্দ (যেনে: 'is', 'the', 'আৰু', 'কৰি', 'এই', 'যে') যাক বিশ্লেষণৰ পৰা বাদ দিয়া হয়। High-frequency grammatical words filtered out before semantic processing to conserve compute. |
| Stemming & Lemmatization | মূল ৰূপ নিষ্কাষণ | মূল শব্দ নিষ্কাশন | শব্দৰ বিভিন্ন ব্যাকৰণগত ৰূপৰ পৰা মূল শব্দটোক (Root word) উদ্ধাৰ কৰা পদ্ধতি। Algorithmic reduction of inflected words to their root base form (e.g., 'running' ightarrow 'run'). |
| Sentiment Analysis | ভাৱাৰ্থ বিশ্লেষণ | অনুভূতি বিশ্লেষণ | পাঠ্যৰ (Text) মাজত লুকাই থকা আৱেগ—ইতিবাচক, নেতিবাচক নে নিৰপেক্ষ—তাক চিনাক্ত কৰা। Text mining technique used to categorize tone and emotional polarities (Positive, Negative, Neutral). |
4. Practical Data Mining & Orange Tool Terminology
For the 50-mark AHSEC Class 12 Practical Lab Exam, Higher Secondary students must use the Orange Data Mining GUI tool. Here are the essential widgets translated and explained:
| Widget Name | Assamese (অসমীয়া) | Bengali (বাংলা) | Practical Lab Function & Board Notes |
|---|---|---|---|
| File Widget | ফাইল উইজেট | ফাইল উইজেট | Loads local CSV, Excel, or tabular datasets into the Orange canvas. |
| Data Table | তথ্য তালিকা | ডেটা টেবিল | Displays instances (rows) and features (columns) in an interactive spreadsheet grid. |
| Scatter Plot | বিক্ষিপ্ত বিন্দু লেখ | স্ক্যাটার প্লট | 2D visualization of feature correlations and cluster boundaries. |
| Distributions | বিতৰণ লেখ | ডিস্ট্রিবিউশন লেখচিত্র | Class frequency histograms and continuous feature probability density curves. |
| Tree / k-NN | সিদ্ধান্ত বৃক্ষ / k-NN | ডিসিশন ট্রি / k-NN | Core supervised machine learning classification algorithms prescribed in board syllabus. |
| Test and Score | পৰীক্ষা আৰু নম্বৰ নিৰ্ধাৰণ | টেস্ট অ্যান্ড স্কোর | Computes Cross-Validation (k-fold), Precision, Recall, and F1-score. |
| Confusion Matrix | বিভ্ৰান্তি মেট্ৰিক্স | বিভ্রান্তি ম্যাট্রিক্স | Tabulates True Positives, True Negatives, False Positives, and False Negatives. |
| ROC Analysis | আৰ.অ'.চি. বক্ৰৰেখা | আরওসি কার্ভ | Evaluates sensitivity vs specificity trade-offs across classification thresholds. |
Classroom Errata Caution:
When loading local CSV files in the school computer lab, ensure the Target Variable (লেবেল/লক্ষ্য) is explicitly set to Categorical in the File Widget; otherwise, classification trees will throw continuous regression warnings during testing.
5. How to Write AHSEC AI Board Exam Answers (Vernacular Medium Guidance)
A common dilemma for Assamese and Bengali medium students is: Can I write technical computer terms in English script during the board examination?
Official Board Guidance:
- 1.Transliteration is Fully Permitted: You may write technical terms using Assamese or Bengali script (যেনে: 'সুপাৰভাইজড লাৰ্নিং', 'অপ্টিমাইজেচন', 'টোকেনাইজেচন') or write the English word in parentheses: তত্ত্বাৱধানাধীন শিক্ষণ (Supervised Learning).
- 2.Standard Formulas Must Retain Universal Notation: Formulas such as \text{Precision} = (TP)/(TP + FP) must always be written using standard English letters (TP, TN, FP, FN).
- 3.Python Code Must Always Be in English: In practical journals and theory code questions, Python syntax, variable names, and function keywords (
def,import,print(),return) must remain in exact ASCII English characters.
6. Curricular Integration on Mentora
Mentora is dedicated to educational equity across Northeast India. In our ASSEB AI Curriculum Portal, every unit across Class XI and Class XII is fully equipped with:
- One-click vernacular translation switches between English, অসমীয়া (Assamese), and বাংলা (Bengali).
- Offline-ready, syntax-verified Python code files that run on standard dual-core school computers.
- Turnkey 40-minute classroom lesson plans aligned with official AHSEC question blueprints.
Explore the complete syllabus, practical files, and grand quizzes directly at:
Share this GuideFree & Unlimited on Mentora
Share with friends and study groups — anyone with the link can read free on Mentora.
Frequently Asked Questions
Can AHSEC students write AI theory answers in Assamese or Bengali script?
Yes. Students enrolled in vernacular medium institutions may write theoretical explanations in Assamese or Bengali script, with English technical terms in parentheses (e.g., তত্ত্বাৱধানাধীন শিক্ষণ / Supervised Learning). However, Python code blocks must always be written in standard ASCII English.
What is the difference between Supervised and Unsupervised Learning in Assamese?
তত্ত্বাৱধানাধীন শিক্ষণত (Supervised Learning) এলগৰিথমক লেবেলযুক্ত তথ্যৰে (Labeled Data) শিকোৱা হয়, আনহাতে তত্ত্বাৱধানহীন শিক্ষণত (Unsupervised Learning) কোনো লেবেল নোহোৱাকৈ তথ্যৰ মাজৰ অন্তৰ্নিহিত নমুনা বা গোট (Clusters) বিচাৰি উলিওৱা হয়।
Which data mining tool is prescribed for AHSEC Class 12 Practical Exams?
AHSEC prescribes Orange Data Mining (a visual Python-based GUI workflow tool) along with standard Python scripting for Subject Code 527 practical lab examinations.
Where can I find textbook solutions for AHSEC Subject Code 527?
Mentora provides verified unit-by-unit textbook lesson plans, Python lab code errata fixes, and model question papers on the Mentora ASSEB AI Portal (mentora.school/asseb-ai).
Live Evening Cohort • Interactive Micro-Cohort (Max 6–8 Kids)
Learn this in our Senior Tech: Python, IoT & AI Basics
Transition from visual blocks to authentic text-based Python 3. Code interactive terminal apps, algorithmic logic, and computer vision models.
Monday & Wednesday • 6:30 PM – 7:30 PM IST • Monthly After-School Pass: ₹800/mo ₹1,500
Topics:#AHSEC AI#Subject Code 527#Assamese Medium AI#Bengali Medium AI#Machine Learning Glossary#Orange Data Mining#ASSEB Class 12 AI#Artificial Intelligence Terms