智能工程师主要学习以下内容：

数学基础：

包括微积分、线性代数、概率论和统计学等。

计算机科学基础：

涉及数据结构、算法、操作系统、分布式系统等。

编程语言：

需要熟练掌握至少一种编程语言，如Python，以及相关的库和框架。

机器学习：

学习估计方法、特征工程、各种线性模型（如线性回归、逻辑回归）、决策树模型、支持向量机、贝叶斯分类器、神经网络（包括深度学习如MLP、CNN、RNN（LSTM）、GAN）以及聚类算法（如K均值算法）。

自然语言处理（NLP）：

包括机器翻译、情感分析、文本挖掘等。

计算机视觉：

涉及图像识别、目标检测、视频处理等。

深度学习：

学习神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）等。

强化学习：

了解如何通过与环境互动来学习最优行为策略。

特定领域知识：

根据具体的应用领域，可能还需要学习其他相关知识和技能，如自然语言处理、生物演化论、语义网、博弈论等。

软技能：

包括团队合作、沟通技巧、项目管理等，这些对于成为一名成功的人工智能工程师至关重要。

建议：

数学基础：强化对微积分、线性代数和概率论等数学概念的理解和应用能力。

编程能力：通过实践项目来提高编程技能，尤其是Python编程语言和相关库的使用。

机器学习实践：通过参与实际项目或竞赛来应用和巩固机器学习算法。

持续学习：人工智能是一个快速发展的领域，持续学习新技术和算法对于保持竞争力至关重要。