深度学习-自然语言处理
在Standard Sentiment Treebank训练集上写数据导入接口和循环神经网络以实现情绪识别
实现具有注意力机制的encoder和decoder程序来进行深度学习机器翻译

深度学习-模式识别
用最基础的Numpy实现卷积神经网络（包括线性、非线性层，卷积层，最大/平均池化，反向传播）
用PyTorch设计了自制的VGG神经网络

体态控制自动驾驶车
使用Robotic-OS开发自动驾驶车控制程序，结合预训练的CMU-openpose体态模型，根据传感器捕捉到的人的体态让车加速，停车，以及转向

GPU上的神经网络
在GPU上实现并发计算程序来降低神经网络的运算时间
使用NVDIA VIsual Profiler来研究不同并发计算方法的时间-空间权衡关系

网络流量分类
收集分段标记的网络流量数据，并训练用K-means模型来实的现网络用户的行为识别

购物网站
使用Python Django组队搭建了一个购物网站的前端和后端