Le projet CHI-KNOW-PO a pour objectif d'identifier des schémas de co-occurrence de champs lexicaux et de emprunts textuels à travers les genres dans la Chine médiévale, en se concentrant plus spécifiquement sur les plantes parmi d'autres thèmes. Le projet se déroule en trois étapes : la numérisation, l'édition et la publication d'une corpus d'anthologies poétiques, de commentaires, de dictionnaires, d'encyclopédies et de traités pratiques de la période médiévale chinoise (environ 200-1000 apr. J.-C.) ; la création d'une base de données avec des informations bio-bibliographiques et sémantiques utiles pour des fins d'édition et d'exploration de textes ; et le développement de scripts permettant d'effectuer des recherches, des filtres et des analyses statistiques personnalisés pour étudier la co-occurrence de mots et de groupes de mots dans des textes donnés et identifier d'éventuels cas de réutilisation textuelle.

Plateforme publique dédiée à la découverte et à l'exploration de données scientifiques liées aux ressources génétiques végétales, aux collections de plantes et aux informations botaniques. Elle permet aux chercheurs, agronomes et professionnels du secteur agricole d'accéder à des bases de données fédérées, d'effectuer des recherches avancées et de visualiser des informations géolocalisées sur les ressources biologiques.

Outil open source dédié à la visualisation et l'analyse d'architectures végétales dans des environnements interactifs comme Jupyter Notebook. Il permet aux chercheurs et agronomes de modéliser, explorer et comprendre la structure des plantes en 3D, facilitant ainsi l'étude de la croissance végétale et l'analyse de données botaniques complexes.

Ce projet est dédié à l'apprentissage des méthodes d'exploration multidimensionnelle essentielles pour la préparation des données, telles que l'analyse en composantes principales, l'analyse discriminante linéaire, l'analyse de correspondance, la position multidimensionnelle, la factorisation non négative, etc. Il couvre également la classification non supervisée (clustering) à l'aide de k-moyennes, de l'analyse hiérarchique, de DBSCAN et de mélanges gaussiens.

Ce projet permet d'explorer et d'analyser des scénarios concurrents dans des systèmes multi-threads. Il offre des fonctionnalités de génération de modèles et de simulation de ces systèmes.