Source note: This chapter is built from the existing PunjabTest.com library chapter for Class 10 Computer Science. No official book was available on disk for this build, so no book page numbers are claimed, and the exercise below is labelled SLO / board-pattern, as in the library chapter — it is not presented as the book's official exercise.
ماخذ نوٹ: یہ باب کلاس دہم کمپیوٹر سائنس کے موجودہ لائبریری باب سے بنایا گیا ہے۔ اس بلڈ کے لیے سرکاری کتاب ڈسک پر موجود نہیں تھی، اس لیے کتاب کے صفحہ نمبرز کا دعویٰ نہیں کیا گیا اور نیچے دی گئی مشق ایس ایل او / بورڈ پیٹرن کے طور پر لیبل کی گئی ہے — یہ کتاب کی سرکاری ایکسرسائز نہیں ہے۔
Artificial Intelligence (AI) means making computers do tasks that normally need human intelligence: understanding language, recognising faces and speech, making decisions, solving problems and learning from experience. AI software is different from ordinary software: ordinary software follows fixed instructions written by a programmer for every case, while AI systems learn patterns from data and can handle new cases they were not explicitly programmed for.
Narrow vs general AI: Almost all AI today is narrow AI — good at one task, like translating text, recommending videos, or recognising cats in photos. General AI (a machine with human-like intelligence across all tasks) does not exist yet; it is a research goal, not a product you can buy.
Everyday AI you already meet: voice assistants, spam filters, maps that predict traffic, face unlock, autocorrect, and video recommendations. None of these “understand” like a human — they find patterns in huge amounts of data, very fast.
مصنوعی ذہانت (AI) کا مطلب کمپیوٹرز سے وہ کام کروانا ہے جن کے لیے عام طور پر انسانی ذہانت درکار ہوتی ہے: زبان سمجھنا، چہرے اور آواز پہچاننا، فیصلے کرنا، مسائل حل کرنا اور تجربے سے سیکھنا۔ AI سافٹ ویئر عام سافٹ ویئر سے مختلف ہے: عام سافٹ ویئر پروگرامر کی لکھی ہوئی مقررہ ہدایات پر ہر صورت میں چلتا ہے، جبکہ AI سسٹم ڈیٹا سے پیٹرنز سیکھتے ہیں اور نئے معاملات سنبھال سکتے ہیں جن کے لیے انہیں واضح طور پر پروگرام نہیں کیا گیا تھا۔
نیرو بمقابلہ جنرل AI: آج تقریباً تمام AI نیرو AI ہے — ایک کام میں اچھی، جیسے متن ترجمہ کرنا، ویڈیوز تجویز کرنا یا تصاویر میں بلیاں پہچاننا۔ جنرل AI (تمام کاموں میں انسان جیسی ذہانت والی مشین) ابھی موجود نہیں؛ یہ تحقیقی ہدف ہے، کوئی خریدی جانے والی پروڈکٹ نہیں۔
روزمرہ AI جس سے آپ پہلے ہی ملتے ہیں: وائس اسسٹنٹس، اسپیم فلٹرز، ٹریفک کی پیش گوئی والے نقشے، فیس ان لاک، آٹو کریکٹ اور ویڈیو تجاویز۔ ان میں سے کوئی انسان کی طرح “سمجھتا” نہیں — یہ بہت زیادہ ڈیٹا میں پیٹرنز بہت تیزی سے تلاش کرتے ہیں۔
Machine Learning (ML) is the part of AI where a system learns from data instead of being told every rule. Classic example: to teach a program to tell cats from dogs, you do not write rules about ears and tails — you show it thousands of labelled photos, and it learns the patterns itself.
Features and labels: In training data, features are the inputs the system looks at (e.g. an animal's size, ear shape, colour), and the label is the correct answer (e.g. “cat”). The system builds a model — a mathematical pattern linking features to labels — and then uses the model on new, unseen examples.
Train and test: Data is split into a training set (to learn from) and a test set (kept aside to check honestly). A model that only memorises training answers but fails on new data has overfitted — like a student who memorised the practice paper but cannot answer new questions.
مشین لرننگ (ML) AI کا وہ حصہ ہے جہاں نظام ہر قاعدہ بتائے بغیر ڈیٹا سے سیکھتا ہے۔ کلاسیکی مثال: پروگرام کو بلی اور کتے میں فرق سکھانے کے لیے آپ کانوں اور دموں کے قواعد نہیں لکھتے — آپ اسے ہزاروں لیبل والی تصاویر دکھاتے ہیں اور وہ خود پیٹرنز سیکھ لیتا ہے۔
فیچرز اور لیبلز: ٹریننگ ڈیٹا میں فیچرز وہ ان پٹس ہیں جنہیں نظام دیکھتا ہے (مثلاً جانور کا سائز، کان کی شکل، رنگ)، اور لیبل درست جواب ہے (مثلاً “بلی”)۔ نظام ایک ماڈل بناتا ہے — فیچرز کو لیبلز سے جوڑنے والا ریاضیاتی پیٹرن — اور پھر اسے نئی، ان دیکھی مثالوں پر استعمال کرتا ہے۔
ٹرین اور ٹیسٹ: ڈیٹا کو ٹریننگ سیٹ (سیکھنے کے لیے) اور ٹیسٹ سیٹ (ایماندارانہ جانچ کے لیے الگ رکھا گیا) میں تقسیم کیا جاتا ہے۔ جو ماڈل صرف ٹریننگ جوابات رٹ لے مگر نئے ڈیٹا پر ناکام ہو جائے وہ اوورفٹ ہو گیا ہے — جیسے وہ طالب علم جس نے پریکٹس پیپر رٹ لیا مگر نئے سوالات کا جواب نہ دے سکے۔
| Type | Data given | Example |
|---|---|---|
| Supervised learning | Inputs WITH correct answers (labels) | Spam / not-spam emails; marks prediction from study hours |
| Unsupervised learning | Inputs with NO labels — find groups/patterns | Grouping customers by shopping habits; finding topics in articles |
| Reinforcement learning | No answers — rewards for good actions, penalties for bad | Game-playing programs; a robot learning to walk |
Supervised is like learning with a teacher and an answer key. Unsupervised is like sorting a pile of mixed photos into groups without being told the groups. Reinforcement is like learning a game by playing many times and remembering which moves win points.
Two supervised jobs to know: classification (predict a category: spam or not, cat or dog) and regression (predict a number: tomorrow's temperature, a house price).
| قسم | دیا گیا ڈیٹا | مثال |
|---|---|---|
| سپروائزڈ لرننگ | درست جوابات (لیبلز) کے ساتھ ان پٹس | اسپیم / نان اسپیم ای میلز؛ پڑھائی کے گھنٹوں سے نمبروں کی پیش گوئی |
| ان سپروائزڈ لرننگ | بغیر لیبلز ان پٹس — گروپس/پیٹرنز تلاش کرنا | خریداری کی عادات سے گاہکوں کی گروپ بندی؛ مضامین میں موضوعات تلاش کرنا |
| رینفورسمنٹ لرننگ | کوئی جوابات نہیں — اچھے اقدامات پر انعام، برے پر سزا | گیم کھیلنے والے پروگرام؛ چلنا سیکھتا روبوٹ |
سپروائزڈ استاد اور جوابی کلید کے ساتھ سیکھنے جیسی ہے۔ ان سپروائزڈ ملی جلی تصاویر کے ڈھیر کو بغیر گروپس بتائے گروپوں میں چھانٹنے جیسی ہے۔ رینفورسمنٹ کئی بار گیم کھیل کر سیکھنے جیسی ہے کہ کن چالوں سے پوائنٹس ملتے ہیں۔
دو سپروائزڈ کام جاننے ضروری ہیں: کلاسیفیکیشن (کیٹیگری کی پیش گوئی: اسپیم یا نہیں، بلی یا کتا) اور ریگریشن (عدد کی پیش گوئی: کل کا درجہ حرارت، مکان کی قیمت)۔
Learning is a loop: (1) feed training data to the model; (2) the model predicts; (3) compare predictions with true labels; (4) adjust the model to reduce errors; (5) repeat until errors stop improving. Accuracy (percentage of correct predictions on test data) measures success — but it must be measured on data the model has never seen.
What goes wrong: Bad/biased data — if training photos show only one kind of person, the model fails on others (bias). Too little data — patterns are guesses, not knowledge. Overfitting — memorising training data instead of learning general patterns. Wrong features — predicting exam results from shoe size would be nonsense, however good the maths.
Golden rule: an ML system is only as good as its data. Garbage data → confident, wrong predictions. That is why data cleaning (Chapter 5) comes before machine learning.
سیکھنا ایک چکر ہے: (1) ماڈل کو ٹریننگ ڈیٹا دیں؛ (2) ماڈل پیش گوئی کرے؛ (3) پیش گوئیوں کا اصل لیبلز سے موازنہ کریں؛ (4) غلطیاں کم کرنے کے لیے ماڈل کو ایڈجسٹ کریں؛ (5) دہراتے رہیں جب تک غلطیاں بہتر ہونا بند نہ ہو جائیں۔ ایکیوریسی (ٹیسٹ ڈیٹا پر درست پیش گوئیوں کا فیصد) کامیابی ناپتی ہے — مگر اسے ایسے ڈیٹا پر ناپنا چاہیے جو ماڈل نے کبھی نہ دیکھا ہو۔
کیا غلط ہوتا ہے: خراب/متعصب ڈیٹا — اگر ٹریننگ تصاویر میں صرف ایک قسم کے لوگ ہوں تو ماڈل دوسروں پر ناکام ہوگا (بائس)۔ بہت کم ڈیٹا — پیٹرنز علم نہیں بلکہ اندازے ہوں گے۔ اوورفٹنگ — عمومی پیٹرنز سیکھنے کے بجائے ٹریننگ ڈیٹا رٹ لینا۔ غلط فیچرز — جوتے کے سائز سے امتحانی نتائج کی پیش گوئی بے معنی ہوگی، ریاضی کتنی ہی اچھی ہو۔
سنہری اصول: ML سسٹم اپنے ڈیٹا جتنا ہی اچھا ہوتا ہے۔ گندا ڈیٹا → پراعتماد، غلط پیش گوئیاں۔ اسی لیے مشین لرننگ سے پہلے ڈیٹا کلیننگ (باب 5) آتی ہے۔
Language: translation apps, chatbots, autocorrect, voice assistants (speech recognition + language understanding). Vision: face unlock, photo search (“show my pictures of cats”), medical image checks. Recommendations: “you may also like” on video and shopping apps — models learn your taste from what you watched/bought. Prediction: traffic time on maps, weather forecasts, fraud alerts on bank cards.
Notice the pattern: each example follows data → model → prediction/action. When you meet a new AI product in an exam question, explain it with this pattern: what data it learns from, what it predicts, and what action follows.
Not AI: a fixed timetable app, a calculator, or a program that prints the same reply to every message — these follow fixed rules with no learning from data.
زبان: ترجمہ ایپس، چیٹ بوٹس، آٹو کریکٹ، وائس اسسٹنٹس (اسپیچ ریکگنیشن + زبان کی سمجھ)۔ بصارت: فیس ان لاک، فوٹو سرچ (“میری بلیوں والی تصاویر دکھاؤ”)، میڈیکل امیج چیک۔ تجاویز: ویڈیو اور شاپنگ ایپس پر “آپ کو یہ بھی پسند آ سکتا ہے” — ماڈلز آپ کی پسند آپ کے دیکھے/خریدے سے سیکھتے ہیں۔ پیش گوئی: نقشوں پر ٹریفک کا وقت، موسم کی پیش گوئی، بینک کارڈز پر فراڈ الرٹس۔
پیٹرن نوٹ کریں: ہر مثال ڈیٹا → ماڈل → پیش گوئی/عمل پر چلتی ہے۔ جب امتحانی سوال میں کوئی نئی AI پروڈکٹ ملے تو اسے اسی پیٹرن سے سمجھائیں: وہ کس ڈیٹا سے سیکھتی ہے، کیا پیش گوئی کرتی ہے اور اس کے بعد کیا عمل ہوتا ہے۔
AI نہیں: مقررہ ٹائم ٹیبل ایپ، کیلکولیٹر، یا وہ پروگرام جو ہر پیغام پر وہی جواب پرنٹ کرے — یہ بغیر ڈیٹا سے سیکھے مقررہ قواعد پر چلتے ہیں۔
AI does not understand like humans. It matches patterns; it has no common sense, no real knowledge of the world, and can be confidently wrong (for example, inventing a fake “fact” in fluent language). Always verify important AI output from a trusted source.
Bias: if training data under-represents a group, the system treats that group unfairly — e.g. a hiring model trained mostly on one group's CVs, or a face-recognition system that fails more often on some faces. Fixing bias means fixing the data and testing on all groups, not just overall accuracy.
Ethics and jobs: AI raises real questions — who is responsible when an AI decision harms someone? Who owns the data it learned from? Will some jobs change or disappear while new ones (AI trainer, data analyst, robotics technician) appear? A good exam answer names both a benefit and a risk, and says humans must stay in charge of important decisions.
AI انسانوں کی طرح نہیں سمجھتی۔ یہ پیٹرنز ملاتی ہے؛ اس میں کامن سینس نہیں، دنیا کا حقیقی علم نہیں، اور یہ پراعتماد طور پر غلط ہو سکتی ہے (مثلاً روانی سے جھوٹا “حقیقت” گھڑ دینا)۔ اہم AI آؤٹ پٹ کی ہمیشہ معتبر ذریعے سے تصدیق کریں۔
بائس: اگر ٹریننگ ڈیٹا کسی گروپ کی کم نمائندگی کرے تو نظام اس گروپ سے غیر منصفانہ سلوک کرتا ہے — مثلاً زیادہ تر ایک گروپ کی CVs پر ٹرین شدہ ہائرنگ ماڈل، یا فیس ریکگنیشن سسٹم جو بعض چہروں پر زیادہ ناکام ہو۔ بائس ٹھیک کرنے کا مطلب ڈیٹا ٹھیک کرنا اور تمام گروپس پر جانچنا ہے، نہ کہ صرف مجموعی درستگی دیکھنا۔
اخلاقیات اور ملازمتیں: AI حقیقی سوالات اٹھاتی ہے — جب AI کا فیصلہ کسی کو نقصان پہنچائے تو ذمہ دار کون ہے؟ جس ڈیٹا سے اس نے سیکھا وہ کس کا ہے؟ کیا بعض ملازمتیں بدل یا ختم ہوں گی جبکہ نئی (AI ٹرینر، ڈیٹا اینالسٹ، روبوٹکس ٹیکنیشن) آئیں گی؟ اچھے امتحانی جواب میں فائدہ اور خطرہ دونوں ہوں اور یہ بات ہو کہ اہم فیصلوں میں انسان کو ذمہ دار رہنا چاہیے۔
Book note (please read): This page follows the PCTB book Computer Science and Entrepreneurship, Class 10 (session 2026–27). The chapter titles and section order were verified against current 2026–27 Punjab listings and the board syllabus for this book. The book PDF itself could not be opened page-by-page during this build, so the questions below are SLO / board-pattern questions written for this chapter — they are NOT presented as the book's official exercise. Where a point was not confirmed from the book, it is kept general and no invented fact is stated as a book fact.
کتاب کے بارے میں نوٹ: یہ صفحہ پی سی ٹی بی کی کتاب کمپیوٹر سائنس اینڈ انٹرپرینیورشپ، جماعت دہم (سیشن 2026–27) کے مطابق ہے۔ باب کے عنوانات اور ترتیب موجودہ 2026–27 کی پنجاب لسٹنگز اور بورڈ سلیبس سے تصدیق شدہ ہیں۔ کتاب کا پی ڈی ایف اس بلڈ کے دوران صفحہ بہ صفحہ نہیں کھولا جا سکا، اس لیے نیچے دیے گئے سوالات ایس ایل او / بورڈ پیٹرن کے سوالات ہیں — یہ کتاب کی سرکاری ایکسرسائز نہیں ہیں۔
Answer: (b) Human intelligence — understanding language, recognising faces, deciding, learning.
Answer: (b) Narrow AI — good at one task; general human-like AI does not exist yet.
Answer: (b) Label — features are the inputs looked at, the model is the learned pattern.
Answer: (c) Supervised learning — like learning with a teacher and an answer key.
Answer: (b) Unsupervised learning — finding groups/patterns with no labels given.
Answer: (b) Overfitted — like memorising a practice paper but failing new questions.
Answer: (b) Regression — predicting a number; classification predicts a category.
Answer: (b) Biased training data — under-representation in training data causes unfair results.
Answer: AI: making computers do tasks needing human intelligence (language, recognition, decisions, learning). Ordinary software follows fixed programmer-written rules for every case; AI systems learn patterns from data and handle new cases not explicitly programmed.
Answer: Narrow AI is good at one task (translation, recommendations, face recognition) and is what exists today. General AI would have human-like intelligence across all tasks; it does not exist yet and is a research goal.
Answer: Features are inputs the system looks at; labels are correct answers. Example: for animal photos, features = size, ear shape, colour; label = 'cat' or 'dog'.
Answer: Overfitting is memorising training data instead of learning general patterns, so the model fails on new data. It is detected by testing on a test set kept aside — high training accuracy but low test accuracy signals overfitting.
Answer: Because AI matches patterns without common sense or real world knowledge, so it can be confidently wrong (e.g. inventing a fluent but fake 'fact'). Verify from a trusted source.
Answer: Supervised: learns from inputs with correct answers (labels) — e.g. spam/not-spam emails; jobs include classification (category) and regression (number). Unsupervised: no labels given; the system finds groups/patterns — e.g. grouping customers by shopping habits. Reinforcement: no answers; the system learns by rewards for good actions and penalties for bad — e.g. a game-playing program or robot learning to walk by trial and reward.
Answer: Training data (features + labels) is fed to the model; it predicts, errors are compared with true labels, and the model is adjusted in a loop until errors stop improving. Then a separate test set — data never used in training — measures honest accuracy. Testing on training data would be meaningless, like marking a student on the exact paper they memorised; unseen data shows whether general patterns were learned or only memorised (overfitting).
Answer: Benefit: AI handles huge data fast — e.g. medical image checks, traffic prediction, translation — saving time and finding patterns humans would miss. Risks: (1) Bias — under-represented groups in training data get unfair results (hiring, face recognition). (2) Confident errors — no common sense, so fluent but false output, plus privacy questions about whose data trained it, and job changes. Rule: humans must verify important output and stay responsible for important decisions; AI assists, it does not replace human judgement.
This chapter introduces artificial intelligence and machine learning: what AI means and why almost all of it is narrow AI, how machine learning learns patterns from labelled data, the three types of machine learning, how a model improves by predicting, comparing and adjusting, where AI already appears in daily life, and the limits, bias and ethics that keep humans in charge.
Revision guidance: Revision guidance: explain supervised, unsupervised and reinforcement learning each with one example, then explain overfitting with the practice-paper comparison. Finally, name one AI limit and one bias risk in your own words.
یہ باب مصنوعی ذہانت اور مشین لرننگ کا تعارف ہے: AI کا مطلب کیا ہے اور تقریباً ساری AI نیرو AI کیوں ہے، مشین لرننگ لیبل والے ڈیٹا سے پیٹرن کیسے سیکھتی ہے، مشین لرننگ کی تین اقسام، ماڈل پیش گوئی، موازنہ اور ایڈجسٹمنٹ سے کیسے بہتر ہوتا ہے، روزمرہ زندگی میں AI کہاں موجود ہے، اور حدود، بائس اور اخلاقیات جو انسان کو ذمہ دار رکھتی ہیں۔
نظرثانی کی رہنمائی: نظرثانی کی رہنمائی: supervised، unsupervised اور reinforcement learning ہر ایک کی ایک مثال سے سمجھاؤ، پھر overfitting پریکٹس پیپر والی مثال سے سمجھاؤ۔ آخر میں AI کی ایک حد اور bias کا ایک خطرہ اپنے الفاظ میں بتاؤ۔
Chapter-wise tests, fresh random papers اور instant score کے لیے PunjabTest.com کا میں test section دیکھو:
PunjabTest.com — Complete Guide Book • Class 10 Computer Science, Chapter 6 (Session 2026–27) • English + Urdu