《人工智慧（第3版）》是2023年11月人民郵電出版社出版的圖書，作者是史蒂芬·盧奇、 薩爾汗·M.穆薩、丹尼·科佩克。該書由王斌 、王書鑫翻譯。
基本介紹
- 中文名：人工智慧（第3版）
- 作者：史蒂芬·盧奇、薩爾汗·M.穆薩、丹尼·科佩克
- 出版時間：2023年11月
- 出版社：人民郵電出版社
- 頁數：592 頁
- ISBN：9787115623430
- 定價：119 元
- 裝幀：平裝
內容簡介,圖書目錄,作者簡介,
內容簡介
本書系統、全面地講解了人工智慧的相關知識，既簡明扼要地介紹了這一學科的基礎知識，也對自然語言處理、自動規劃、神經網路等內容進行了拓展，更輔以實例，可以幫助讀者扎紮實實打好基礎。
本書內容易讀易學，適合人工智慧相關領域和對該領域感興趣的讀者閱讀，也適合高校計算機專業的教師和學生參考。
圖書目錄
第 一部分 引 言
第 1 章 人工智慧概述 2
1.0 引言 2
1.0.1 人工智慧的定義 3
1.0.2 思維與智慧型 3
1.1 圖靈測試 5
1.1.1 圖靈測試的定義 5
1.1.2 圖靈測試的爭議和批評 7
1.2 強人工智慧與弱人工智慧 9
1.3 啟發式方法 10
1.3.1 長方體的對角線：解決一個相對簡單但相關的問題 10
1.3.2 水壺問題：反向倒推 11
1.4 識別適用人工智慧來求解的問題 12
1.5 套用和方法 14
1.5.1 搜尋算法和拼圖問題 15
1.5.2 二人博弈 16
1.5.3 自動推理 17
1.5.4 產生式規則和專家系統17
1.5.5 細胞自動機 18
1.5.6 神經計算 19
1.5.7 遺傳算法 20
1.5.8 知識表示 21
1.5.9 不確定性推理 22
1.6 人工智慧的早期歷史 23
1.7 人工智慧的近期歷史到現在 26
1.7.1 計算機博弈 26
1.7.2 專家系統 27
1.7.3 神經計算 28
1.7.4 進化計算 28
1.7.5 自然語言處理 29
1.7.6 生物信息學 31
1.8 新千年人工智慧的發展 31
1.9 本章小結 32
第二部分 基 礎 知 識
第 2 章 盲目搜尋 42
2.0 簡介：智慧型系統中的搜尋 42
2.1 狀態空間圖 43
2.1.1 假幣問題 43
2.2 生成-測試範式 45
2.2.1 回溯法 46
2.2.2 貪心算法 50
2.2.3 旅行商問題 52
2.3 盲目搜尋算法 54
2.3.1 深度優先搜尋 54
2.3.2 廣度優先搜尋 56
2.4 盲目搜尋算法的實現和比較 58
2.4.1 深度優先搜尋的實現 58
2.4.2 廣度優先搜尋的實現 60
2.4.3 問題求解性能的衡量指標 61
2.4.4 DFS 和 BFS 的比較 61
2.5 本章小結 64
第 3 章 知情搜尋 70
3.0 引言 70
3.1 啟發式方法 72
3.2 知情搜尋（第 一部分）——找到任一解 76
3.2.1 爬山法 76
3.2.2 最陡爬山法 77
3.3 最佳優先搜尋 80
3.4 集束搜尋 83
3.5 搜尋算法的其他指標 84
3.6 知情搜尋（第二部分）——找到最優解 85
3.6.1 分支定界法 85
3.6.2 使用低估計啟發值的分支定界法 90
3.6.3 採用動態規劃的分支定界法 93
3.6.4 A*搜尋 94
3.7 知情搜尋（第三部分）—高級搜尋算法 95
3.7.1 約束滿足搜尋 95
3.7.2 與或樹 96
3.7.3 雙向搜尋 97
3.8 本章小結 99
第 4 章 博弈中的搜尋 104
4.0 引言 104
4.1 博弈樹和極小化極大評估 105
4.1.1 啟發式評估 106
4.1.2 博弈樹的極小化極大評估 107
4.2 帶α-β 剪枝的極小化極大算法 110
4.3 極小化極大算法的變體和改進 114
4.3.1 負極大值算法 115
4.3.2 漸進深化法 116
4.3.3 啟發式方法的後續和地平線效應 117
4.4 機會博弈和期望極小化極大算法 117
4.5 博弈論 119
4.6 本章小結 121
第 5 章 人工智慧中的邏輯 126
5.0 引言 126
5.1 邏輯和表示 127
5.2 命題邏輯 128
5.2.1 基礎知識 129
5.2.2 命題邏輯中的論證 133
5.2.3 證明命題邏輯論證有效的第二種方法 134
5.3 謂詞邏輯簡介 135
5.3.1 謂詞邏輯中的合一 136
5.3.2 謂詞邏輯中的歸結 138
5.3.3 將謂詞表達式轉換為子句形式 140
5.4 其他一些邏輯 143
5.4.1 二階邏輯 143
5.4.2 非單調邏輯 144
5.4.3 模糊邏輯 144
5.4.4 模態邏輯 144
5.5 本章小結 145
第 6 章 知識表示 151
6.0 引言 151
6.1 圖形草圖和人類視窗 154
6.2 圖和哥尼斯堡橋問題 157
6.3 搜尋樹 158
6.3.1 決策樹 158
6.4 表示方法的選擇 159
6.5 產生式系統 162
6.6 面向對象 162
6.7 框架 164
6.8 腳本和概念依賴系統 166
6.9 語義網路 169
6.10 關聯 171
6.11 最近的方法 172
6.11.1 概念地圖 172
6.11.2 概念圖 174
6.11.3 Baecker 的工作 174
6.12 智慧型體：智慧型或其他 175
6.12.1 智慧型體的一些歷史 177
6.12.2 當代智慧型體 179
6.12.3 語義網 180
6.12.4 IBM 眼中的未來世界 180
6.12.5 本書作者的觀點 181
6.13 本章小結 181
第 7 章 產生式系統 188
7.0 引言 188
7.1 背景 188
7.2 基本示例 190
7.3 CarBuyer 系統 192
7.4 產生式系統和推理方法 197
7.4.1 衝突消解 199
7.4.2 前向連結 201
7.4.3 後向連結 202
7.5 產生式系統和細胞自動機 206
7.6 隨機過程與馬爾可夫鏈 208
7.7 本章小結 209
第三部分 基於知識的系統
第 8 章 人工智慧中的不確定性 214
8.0 引言 214
8.1 模糊集 214
8.2 模糊邏輯 216
8.3 模糊推理 217
8.4 機率論和不確定性 220
8.5 本章小結 224
第 9 章 專家系統 227
9.0 引言 227
9.1 背景 227
9.1.1 人類專家和機器專家 228
9.2 專家系統的特點 233
9.3 知識工程 234
9.4 知識獲取 236
9.5 經典的專家系統 238
9.5.1 DENDRAL 238
9.5.2 MYCIN 239
9.5.3 EMYCIN 241
9.5.4 PROSPECTOR 241
9.5.5 模糊知識和貝葉斯規則 243
9.6 提高效率的方法 245
9.6.1 守護規則 245
9.6.2 Rete 算法 246
9.7 基於案例的推理 247
9.8 更多最新的專家系統 251
9.8.1 就業匹配改善系統 251
9.8.2 振動故障診斷專家系統 252
9.8.3 自動牙齒識別 252
9.8.4 更多採用案例推理的專家系統 253
9.9 本章小結 253
第 10 章 機器學習第 一部分：神經 網路 259
10.0 引言 259
10.1 機器學習概述 260
10.2 機器學習系統中反饋的作用 262
10.3 歸納學習 263
10.4 利用決策樹進行學習 264
10.5 決策樹適用的問題 265
10.6 熵 266
10.7 使用 ID3 構建決策樹 267
10.8 其他問題 269
10.9 人工神經網路的基本原理 270
10.10 麥卡洛克-皮茨網路 271
10.11 感知器學習規則 272
10.12 增量規則 280
10.13 反向傳播 284
10.14 實現中的問題 289
10.14.1 模式分析 292
10.14.2 訓練方法 293
10.15 離散霍普菲爾德網路 294
10.16 套用領域 298
10.17 本章小結 305
第 11 章 機器學習第二部分：深度學習 314
11.0 引言 314
11.1 深度學習套用簡介 315
11.2 深度學習網路中的層 315
11.3 深度學習類型 316
11.3.1 多層神經網路 316
11.3.2 卷積神經網路317
11.3.3 循環神經網路 321
11.3.4 長短期記憶網路 322
11.3.5 遞歸神經網路 322
11.3.6 堆疊自編碼器 322
11.3.7 極限學習機 323
11.4 本章小結 325
第 12 章 受大自然啟發的搜尋 333
12.0 引言 333
12.1 模擬退火 334
12.2 遺傳算法 337
12.3 遺傳規劃 344
12.4 禁忌搜尋 348
12.5 蟻群最佳化算法 350
12.6 本章小結 353
第四部分 高 級 專 題
第 13 章 自然語言理解 362
13.0 引言 362
13.1 概述：語言的問題和可能性 362
13.2 自然語言處理的歷史 364
13.2.1 奠基時期（20 世紀 40 年代和 50 年代） 364
13.2.2 符號方法與隨機方法（1957—1970） 365
13.2.3 4 種範式（1970— 1983） 365
13.2.4 經驗主義和有限狀態模型（1983—1993） 366
13.2.5 大融合時期（1994— 1999） 367
13.2.6 機器學習的興起（2000—2008） 367
13.3 語法和形式語法 367
13.3.1 語法類型 368
13.3.2 句法解析：CYK 算法 371
13.4 語義分析和擴展語法 373
13.4.1 轉換語法 373
13.4.2 系統語法 373
13.4.3 格語法 374
13.4.4 語義語法 375
13.4.5 尚克的系統 376
13.5 NLP 中的統計方法 379
13.5.1 統計解析 379
13.5.2 機器翻譯（回顧）和 IBM 的 Candide 系統 380
13.5.3 詞義消歧 380
13.6 用於統計 NLP 的機率模型 381
13.6.1 隱馬爾可夫模型 381
13.6.2 維特比算法 383
13.7 用於統計 NLP 的語言數據集 384
13.7.1 賓州樹庫項目 384
13.7.2 WordNet 385
13.7.3 NLP 中的隱喻模型 385
13.8 套用：信息提取和問答系統 387
13.8.1 問答系統 387
13.8.2 信息提取 391
13.9 當前和未來的研究（基於查尼阿克的觀點） 392
13.10 語音理解 392
13.10.1 語音理解技術 392
13.11 語音理解的套用 395
13.11.1 Dragon 自然語音系統 和 Windows 語音識別系統 396
13.12 本章小結 399
第 14 章 自動規劃 406
14.0 引言 406
14.1 規劃問題 407
14.1.1 規劃中的術語 407
14.1.2 規劃的套用示例 408
14.2 規劃簡史和著名的框架問題 412
14.2.1 框架問題 413
14.3 規劃方法 414
14.3.1 規劃即搜尋 414
14.3.2 偏序規劃 418
14.3.3 層次規劃 419
14.3.4 基於案例的規劃 420
14.3.5 規劃方法集錦 421
14.4 早期的規劃系統 422
14.4.1 STRIPS 422
14.4.2 NOAH 422
14.4.3 NONLIN 423
14.5 更多的現代規劃系統 424
14.5.1 O-PLAN 424
14.5.2 Graphplan 426
14.5.3 規劃系統集錦 427
14.5.4 面向學習系統的規劃方法 427
14.5.5 SciBox 自動規劃器 428
14.6 本章小結 430
第五部分 現在和未來
第 15 章 機器人技術 438
15.0 引言 438
15.1 歷史：服務人類、模仿人類、增強人類和替代人類 440
15.2 技術問題 447
15.3 套用：21 世紀的機器人 453
15.4 本章小結 460
第 16 章 高級計算機博弈 462
16.0 引言 462
16.1 跳棋：從塞繆爾到謝弗 462
16.2 西洋棋：人工智慧的“果蠅” 472
16.3 計算機西洋棋程式對人工智慧的貢獻 484
16.4 其他博弈遊戲 491
16.5 圍棋：人工智慧的“新果蠅” 497
16.6 本章小結 499
第 17 章 AI 大事記 507
17.0 引言 507
17.1 本書第 1 部分回顧 507
17.2 普羅米修斯歸來 509
17.3 本書第 2 部分回顧：目前 AI 領域的成就 510
17.4 IBM 沃森-危險邊緣挑戰賽 513
17.5 21 世紀的人工智慧 517
17.6 本章小結 518
第六部分 安全和編程
第 18 章 網路安全中的人工智慧（選讀） 522
18.0 引言 522
18.1 IPsec 523
18.2 SA. 523
18.3 安全策略 524
18.4 安全電子交易 525
18.4.1 SET 的業務需求 526
18.5 入侵者 526
18.6 入侵檢測 527
18.7 惡意程式 529
18.8 反病毒掃描 529
18.9 蠕蟲程式 530
18.10 防火牆 530
18.11 可信系統 531
18.12 本章小結 534
第 19 章 人工智慧編程工具（選讀） 538
19.1 Prolog 538
19.2 Python 551
19.3 MATLAB 559
第 一部分 引 言
第 1 章 人工智慧概述 2
1.0 引言 2
1.0.1 人工智慧的定義 3
1.0.2 思維與智慧型 3
1.1 圖靈測試 5
1.1.1 圖靈測試的定義 5
1.1.2 圖靈測試的爭議和批評 7
1.2 強人工智慧與弱人工智慧 9
1.3 啟發式方法 10
1.3.1 長方體的對角線：解決一個相對簡單但相關的問題 10
1.3.2 水壺問題：反向倒推 11
1.4 識別適用人工智慧來求解的問題 12
1.5 套用和方法 14
1.5.1 搜尋算法和拼圖問題 15
1.5.2 二人博弈 16
1.5.3 自動推理 17
1.5.4 產生式規則和專家系統17
1.5.5 細胞自動機 18
1.5.6 神經計算 19
1.5.7 遺傳算法 20
1.5.8 知識表示 21
1.5.9 不確定性推理 22
1.6 人工智慧的早期歷史 23
1.7 人工智慧的近期歷史到現在 26
1.7.1 計算機博弈 26
1.7.2 專家系統 27
1.7.3 神經計算 28
1.7.4 進化計算 28
1.7.5 自然語言處理 29
1.7.6 生物信息學 31
1.8 新千年人工智慧的發展 31
1.9 本章小結 32
第二部分 基 礎 知 識
第 2 章 盲目搜尋 42
2.0 簡介：智慧型系統中的搜尋 42
2.1 狀態空間圖 43
2.1.1 假幣問題 43
2.2 生成-測試範式 45
2.2.1 回溯法 46
2.2.2 貪心算法 50
2.2.3 旅行商問題 52
2.3 盲目搜尋算法 54
2.3.1 深度優先搜尋 54
2.3.2 廣度優先搜尋 56
2.4 盲目搜尋算法的實現和比較 58
2.4.1 深度優先搜尋的實現 58
2.4.2 廣度優先搜尋的實現 60
2.4.3 問題求解性能的衡量指標 61
2.4.4 DFS 和 BFS 的比較 61
2.5 本章小結 64
第 3 章 知情搜尋 70
3.0 引言 70
3.1 啟發式方法 72
3.2 知情搜尋（第 一部分）——找到任一解 76
3.2.1 爬山法 76
3.2.2 最陡爬山法 77
3.3 最佳優先搜尋 80
3.4 集束搜尋 83
3.5 搜尋算法的其他指標 84
3.6 知情搜尋（第二部分）——找到最優解 85
3.6.1 分支定界法 85
3.6.2 使用低估計啟發值的分支定界法 90
3.6.3 採用動態規劃的分支定界法 93
3.6.4 A*搜尋 94
3.7 知情搜尋（第三部分）—高級搜尋算法 95
3.7.1 約束滿足搜尋 95
3.7.2 與或樹 96
3.7.3 雙向搜尋 97
3.8 本章小結 99
第 4 章 博弈中的搜尋 104
4.0 引言 104
4.1 博弈樹和極小化極大評估 105
4.1.1 啟發式評估 106
4.1.2 博弈樹的極小化極大評估 107
4.2 帶α-β 剪枝的極小化極大算法 110
4.3 極小化極大算法的變體和改進 114
4.3.1 負極大值算法 115
4.3.2 漸進深化法 116
4.3.3 啟發式方法的後續和地平線效應 117
4.4 機會博弈和期望極小化極大算法 117
4.5 博弈論 119
4.6 本章小結 121
第 5 章 人工智慧中的邏輯 126
5.0 引言 126
5.1 邏輯和表示 127
5.2 命題邏輯 128
5.2.1 基礎知識 129
5.2.2 命題邏輯中的論證 133
5.2.3 證明命題邏輯論證有效的第二種方法 134
5.3 謂詞邏輯簡介 135
5.3.1 謂詞邏輯中的合一 136
5.3.2 謂詞邏輯中的歸結 138
5.3.3 將謂詞表達式轉換為子句形式 140
5.4 其他一些邏輯 143
5.4.1 二階邏輯 143
5.4.2 非單調邏輯 144
5.4.3 模糊邏輯 144
5.4.4 模態邏輯 144
5.5 本章小結 145
第 6 章 知識表示 151
6.0 引言 151
6.1 圖形草圖和人類視窗 154
6.2 圖和哥尼斯堡橋問題 157
6.3 搜尋樹 158
6.3.1 決策樹 158
6.4 表示方法的選擇 159
6.5 產生式系統 162
6.6 面向對象 162
6.7 框架 164
6.8 腳本和概念依賴系統 166
6.9 語義網路 169
6.10 關聯 171
6.11 最近的方法 172
6.11.1 概念地圖 172
6.11.2 概念圖 174
6.11.3 Baecker 的工作 174
6.12 智慧型體：智慧型或其他 175
6.12.1 智慧型體的一些歷史 177
6.12.2 當代智慧型體 179
6.12.3 語義網 180
6.12.4 IBM 眼中的未來世界 180
6.12.5 本書作者的觀點 181
6.13 本章小結 181
第 7 章 產生式系統 188
7.0 引言 188
7.1 背景 188
7.2 基本示例 190
7.3 CarBuyer 系統 192
7.4 產生式系統和推理方法 197
7.4.1 衝突消解 199
7.4.2 前向連結 201
7.4.3 後向連結 202
7.5 產生式系統和細胞自動機 206
7.6 隨機過程與馬爾可夫鏈 208
7.7 本章小結 209
第三部分 基於知識的系統
第 8 章 人工智慧中的不確定性 214
8.0 引言 214
8.1 模糊集 214
8.2 模糊邏輯 216
8.3 模糊推理 217
8.4 機率論和不確定性 220
8.5 本章小結 224
第 9 章 專家系統 227
9.0 引言 227
9.1 背景 227
9.1.1 人類專家和機器專家 228
9.2 專家系統的特點 233
9.3 知識工程 234
9.4 知識獲取 236
9.5 經典的專家系統 238
9.5.1 DENDRAL 238
9.5.2 MYCIN 239
9.5.3 EMYCIN 241
9.5.4 PROSPECTOR 241
9.5.5 模糊知識和貝葉斯規則 243
9.6 提高效率的方法 245
9.6.1 守護規則 245
9.6.2 Rete 算法 246
9.7 基於案例的推理 247
9.8 更多最新的專家系統 251
9.8.1 就業匹配改善系統 251
9.8.2 振動故障診斷專家系統 252
9.8.3 自動牙齒識別 252
9.8.4 更多採用案例推理的專家系統 253
9.9 本章小結 253
第 10 章 機器學習第 一部分：神經 網路 259
10.0 引言 259
10.1 機器學習概述 260
10.2 機器學習系統中反饋的作用 262
10.3 歸納學習 263
10.4 利用決策樹進行學習 264
10.5 決策樹適用的問題 265
10.6 熵 266
10.7 使用 ID3 構建決策樹 267
10.8 其他問題 269
10.9 人工神經網路的基本原理 270
10.10 麥卡洛克-皮茨網路 271
10.11 感知器學習規則 272
10.12 增量規則 280
10.13 反向傳播 284
10.14 實現中的問題 289
10.14.1 模式分析 292
10.14.2 訓練方法 293
10.15 離散霍普菲爾德網路 294
10.16 套用領域 298
10.17 本章小結 305
第 11 章 機器學習第二部分：深度學習 314
11.0 引言 314
11.1 深度學習套用簡介 315
11.2 深度學習網路中的層 315
11.3 深度學習類型 316
11.3.1 多層神經網路 316
11.3.2 卷積神經網路317
11.3.3 循環神經網路 321
11.3.4 長短期記憶網路 322
11.3.5 遞歸神經網路 322
11.3.6 堆疊自編碼器 322
11.3.7 極限學習機 323
11.4 本章小結 325
第 12 章 受大自然啟發的搜尋 333
12.0 引言 333
12.1 模擬退火 334
12.2 遺傳算法 337
12.3 遺傳規劃 344
12.4 禁忌搜尋 348
12.5 蟻群最佳化算法 350
12.6 本章小結 353
第四部分 高 級 專 題
第 13 章 自然語言理解 362
13.0 引言 362
13.1 概述：語言的問題和可能性 362
13.2 自然語言處理的歷史 364
13.2.1 奠基時期（20 世紀 40 年代和 50 年代） 364
13.2.2 符號方法與隨機方法（1957—1970） 365
13.2.3 4 種範式（1970— 1983） 365
13.2.4 經驗主義和有限狀態模型（1983—1993） 366
13.2.5 大融合時期（1994— 1999） 367
13.2.6 機器學習的興起（2000—2008） 367
13.3 語法和形式語法 367
13.3.1 語法類型 368
13.3.2 句法解析：CYK 算法 371
13.4 語義分析和擴展語法 373
13.4.1 轉換語法 373
13.4.2 系統語法 373
13.4.3 格語法 374
13.4.4 語義語法 375
13.4.5 尚克的系統 376
13.5 NLP 中的統計方法 379
13.5.1 統計解析 379
13.5.2 機器翻譯（回顧）和 IBM 的 Candide 系統 380
13.5.3 詞義消歧 380
13.6 用於統計 NLP 的機率模型 381
13.6.1 隱馬爾可夫模型 381
13.6.2 維特比算法 383
13.7 用於統計 NLP 的語言數據集 384
13.7.1 賓州樹庫項目 384
13.7.2 WordNet 385
13.7.3 NLP 中的隱喻模型 385
13.8 套用：信息提取和問答系統 387
13.8.1 問答系統 387
13.8.2 信息提取 391
13.9 當前和未來的研究（基於查尼阿克的觀點） 392
13.10 語音理解 392
13.10.1 語音理解技術 392
13.11 語音理解的套用 395
13.11.1 Dragon 自然語音系統 和 Windows 語音識別系統 396
13.12 本章小結 399
第 14 章 自動規劃 406
14.0 引言 406
14.1 規劃問題 407
14.1.1 規劃中的術語 407
14.1.2 規劃的套用示例 408
14.2 規劃簡史和著名的框架問題 412
14.2.1 框架問題 413
14.3 規劃方法 414
14.3.1 規劃即搜尋 414
14.3.2 偏序規劃 418
14.3.3 層次規劃 419
14.3.4 基於案例的規劃 420
14.3.5 規劃方法集錦 421
14.4 早期的規劃系統 422
14.4.1 STRIPS 422
14.4.2 NOAH 422
14.4.3 NONLIN 423
14.5 更多的現代規劃系統 424
14.5.1 O-PLAN 424
14.5.2 Graphplan 426
14.5.3 規劃系統集錦 427
14.5.4 面向學習系統的規劃方法 427
14.5.5 SciBox 自動規劃器 428
14.6 本章小結 430
第五部分 現在和未來
第 15 章 機器人技術 438
15.0 引言 438
15.1 歷史：服務人類、模仿人類、增強人類和替代人類 440
15.2 技術問題 447
15.3 套用：21 世紀的機器人 453
15.4 本章小結 460
第 16 章 高級計算機博弈 462
16.0 引言 462
16.1 跳棋：從塞繆爾到謝弗 462
16.2 西洋棋：人工智慧的“果蠅” 472
16.3 計算機西洋棋程式對人工智慧的貢獻 484
16.4 其他博弈遊戲 491
16.5 圍棋：人工智慧的“新果蠅” 497
16.6 本章小結 499
第 17 章 AI 大事記 507
17.0 引言 507
17.1 本書第 1 部分回顧 507
17.2 普羅米修斯歸來 509
17.3 本書第 2 部分回顧：目前 AI 領域的成就 510
17.4 IBM 沃森-危險邊緣挑戰賽 513
17.5 21 世紀的人工智慧 517
17.6 本章小結 518
第六部分 安全和編程
第 18 章 網路安全中的人工智慧（選讀） 522
18.0 引言 522
18.1 IPsec 523
18.2 SA. 523
18.3 安全策略 524
18.4 安全電子交易 525
18.4.1 SET 的業務需求 526
18.5 入侵者 526
18.6 入侵檢測 527
18.7 惡意程式 529
18.8 反病毒掃描 529
18.9 蠕蟲程式 530
18.10 防火牆 530
18.11 可信系統 531
18.12 本章小結 534
第 19 章 人工智慧編程工具（選讀） 538
19.1 Prolog 538
19.2 Python 551
19.3 MATLAB 559
作者簡介
★史蒂芬.盧奇（Stephen Lucci）擁有紐約市立大學研究生院的博士學位，在紐約城市學院教授計算機科學，在高性能計算和人工智慧領域發表過多篇文章。
★薩爾汗.M. 穆薩（Sarhan M. Musa）博士，在普雷里維尤農工大學（Prairie View A&M） 任 教， 著 有 Computational Nanophotonics（CRC Press） 和 Finite Element Analysis （MLI）等多部圖書。
★丹尼.科佩克（Danny Kopec）（已故），本書第 2 版的合著者，曾任教於布魯克林學院，著有多部圖書，是一位西洋棋大師。
