• تحلیل بازارهای مالی با رویکرد نظریه آشوب:همکاری در پروژه‌ای پژوهشی با تمرکز بر شناسایی رفتارهای غیرخطی، الگوهای آشوب‌گونه و دینامیک‌های پیچیده در بازارهای مالی با استفاده از مفاهیم نظریه آشوب، تحلیل سری‌های زمانی و مدل‌سازی سیستم‌های پویا
• پروژه «قطعه‌بندی خطوط در اسناد دست‌نویس فارسی» با تمرکز بر گردآوری داده، برچسب‌گذاری اولیه و پیش‌پردازش تصاویر برای آموزش و ارزیابی مدل مبتنی بر هیستوگرام فرافکنی.
• طراحی و پیاده‌سازی چت‌بات هوشمند گفت‌وگومحور کلینیک‌ با استفاده از پردازش زبان طبیعی و فهم زبان ( NLUوNLP) و API OpenAI و پردازش دوطرفهٔ گفتار (Speech-to-Text و Text-to-Speech) برای مدیریت درخواست‌ها و ارائه پشتیبانی خودکار به مشتریان
• پیاده‌سازی یک API با استفاده از Node.js جهت تولید برنامه سفر مبتنی بر مدل GPT-4 و ذخیره‌سازی آن در Firestore با بهره‌گیری از Cloudflare Workers برای اجرای مداوم و بدون وقفه
• پیاده‌سازی پلتفرم تحت وب با استفاده از Django، مجهز به دستیار هوشمند برای پاسخ‌گویی خودکار به کاربران از طریق متن و صدا
• پیاده‌سازی سیستم تحلیل جامع بازار سهام با استفاده از داده‌های زنده، اندیکاتورهای فنی پیشرفته،و با استفاده از تکنیک‌های پردازش زبان طبیعی، پیش‌بینی قیمت با مدل‌های یادگیری ماشین و تعامل صوتی برای تحلیل بازارهای سهام بین‌المللی(پشتیبانی از Yahoo Finance) و بورس تهران
• توسعه چت‌بات تعاملی مبتنی بر NLP برای پاسخ‌گویی بلادرنگ به پرسش‌های کاربران در حوزه بورس، با قابلیت استخراج اطلاعات، تحلیل شاخص‌ها و دسترسی به داده‌های معاملاتی از طریق APIهای بازار سرمایه
• طراحی و پیاده‌سازی چت‌بات هوشمند گفت‌وگومحور کلینیک‌ با استفاده از پردازش زبان طبیعی و فهم زبان ( NLUوNLP) و API OpenAI و پردازش دوطرفهٔ گفتار (Speech-to-Text و Text-to-Speech) برای مدیریت درخواست‌ها و ارائه پشتیبانی خودکار به مشتریان
• پیاده‌سازی یک API با استفاده از Node.js جهت تولید برنامه سفر مبتنی بر مدل GPT-4 و ذخیره‌سازی آن در Firestore با بهره‌گیری از Cloudflare Workers برای اجرای مداوم و بدون وقفه
• پیاده‌سازی پلتفرم تحت وب با استفاده از Django، مجهز به دستیار هوشمند برای پاسخ‌گویی خودکار به کاربران از طریق متن و صدا
• پیاده‌سازی سیستم تحلیل جامع بازار سهام با استفاده از داده‌های زنده، اندیکاتورهای فنی پیشرفته،و با استفاده از تکنیک‌های پردازش زبان طبیعی، پیش‌بینی قیمت با مدل‌های یادگیری ماشین و تعامل صوتی برای تحلیل بازارهای سهام بین‌المللی(پشتیبانی از Yahoo Finance) و بورس تهران
• توسعه چت‌بات تعاملی مبتنی بر NLP برای پاسخ‌گویی بلادرنگ به پرسش‌های کاربران در حوزه بورس، با قابلیت استخراج اطلاعات، تحلیل شاخص‌ها و دسترسی به داده‌های معاملاتی از طریق APIهای بازار سرمایه
• طراحی و پیاده‌سازی چارچوب تحلیل بازارهای مالی با استفاده از FinRL-Meta، به‌عنوان یک بستر مبتنی بر داده برای ایجاد محیط‌های شبیه‌سازی‌شده، پویا و واقع‌گرایانه در حوزه یادگیری تقویتی مالی (Financial Reinforcement Learning)
• پیاده‌سازی مدل‌های طبقه‌بندی احساسات با استفاده از شبکه‌های عصبی بازگشتی (RNN و LSTM) و بهره‌گیری از مدل‌های بردارسازی کلمات مانند Word2Vec و GloVe، با هدف استخراج ویژگی‌های معنایی عمیق از متون و بهبود دقت در شناسایی احساسات
• پیاده‌سازی و آموزش مدل‌های شبکه عصبی پیچشی (Convolutional Neural Network – CNN) به‌منظور طبقه‌بندی تصاویر در مجموعه‌داده‌های MNIST (اعداد دست‌نویس) و CIFAR-10 (تصاویر طبیعی چندکلاسه)،شامل پیاده‌سازی لایه‌های کانولوشن، Pooling، و Fully Connected با تمرکز بر طراحی معماری‌های بهینه، تنظیم ابرپارامترها و افزایش دقت در شناسایی الگوهای بصری
• خلاصه‌سازی متون روان‌شناختی با استفاده از رویکرد ترکیبی T5-LSTM مبتنی بر معماری FusionNet، با هدف استخراج چکیده‌های معنایی عمیق، کاهش ابعاد داده و تسهیل در تحلیل‌های رفتاری و شناختی
• تحلیل احساسات نظرات کاربران در پایگاه داده IMDB با بهره‌گیری از مدل‌های برداری GloVe، شبکه‌های عصبی بازگشتی (RNN) و مدل‌های ترنسفورمری پیش‌آموزش‌دیده مانند BERT، با هدف استخراج ویژگی‌های معنایی عمیق و افزایش دقت در طبقه‌بندی احساسات
• تحلیل احساسات متون با بهره‌گیری از روش‌های آماری سنتی در پردازش زبان طبیعی، شامل مدل‌های (Bag of Words) و N-Grams، به‌منظور استخراج ویژگی‌های زبانی و مدل‌سازی ابتدایی متن برای طبقه‌بندی احساسات
• انجام تحلیل احساسات متون با استفاده از تکنیک هشینگ (Hashing Trick) و پیاده‌سازی مدل‌های بردارسازی با HashingVectorizer به‌منظور استخراج ویژگی‌های عددی از داده‌های متنی بدون نیاز به ایجاد واژه‌نامه، با هدف افزایش سرعت و مقیاس‌پذیری در پردازش داده‌های حجیم
• طراحی و پیاده‌سازی سامانه‌ای برای تولید خودکار غزل فارسی بر پایهٔ اشعار حافظ با بهره‌گیری از مدل‌های یادگیری توالی به توالی نظیر LSTM و ترنسفورمرهای پیش‌آموزش‌دیده، با هدف مدل‌سازی ساختار وزنی، قافیه، معنا و بازتولید سبک بیانی شعر کلاسیک فارسی.
• انجام تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر پیش‌آموزش‌دیده مانند BERT، T5 و GPT بر روی داده‌های خاص حوزه (Domain-Specific Corpora)،به‌منظور تولید متونی با ساختار، سبک و معنای منطبق با ویژگی‌های زبانی حوزه هدف
• پیش‌بینی ریسک ابتلا به بیماری‌های قلبی از طریق طراحی و ارزیابی مدل‌های یادگیری ماشین شامل SVM، Random Forest و XGBoost، با استفاده از داده‌های بالینی ساخت‌یافته و تمرکز بر انتخاب ویژگی‌های مؤثر، تنظیم بهینه ابرپارامترها، و سنجش عملکرد مدل‌ها بر پایه‌ی شاخص‌هایی نظیر AUC-ROC، دقت، حساسیت
• طراحی و توسعه یک پلتفرم مبتنی بر وب و Cloud-Based جهت پایش سلامت بیماران در زمان واقعی، با قابلیت جمع‌آوری داده‌های حیاتی (Vital Signs) و ارائه داشبوردهای تحلیلی برای کادر درمان به‌منظور ارتقای تصمیم ‌گیری بالینی  
•  

پیش‌بینی ریسک ابتلا به بیماری‌های قلبی از طریق طراحی و ارزیابی مدل‌های یادگیری ماشین شامل SVM، Random Forest و XGBoost، با استفاده از داده‌های بالینی ساخت‌یافته و تمرکز بر انتخاب ویژگی‌های مؤثر، تنظیم بهینه ابرپارامترها، و سنجش عملکرد مدل‌ها بر پایه‌ی شاخص‌هایی نظیر AUC-ROC، دقت، حساسیت