La semaine 1 servira d'introduction pour les participants à un ensemble de méthodes de travail reproductibles, ainsi qu'à des notions de base en apprentissage machine non-supervisé et supervisé. Des présentations courtes ainsi que des tutoriels pratiques permettront aux participants de gagner en familiarité avec l'application de ces méthodes sur des données réelles. Dr Félix Antoine-Fortin (Calcul Québec) et Dr Manjari Narayan (Stanford University) seront présents en résidence. À la fin de la semaine 1, les participants devraient être capables de répondre à des questions telles que:

• Qu'est ce qu'un contrôleur de version, et comment puis-je l'utiliser pour améliorer mes méthodes de travail?
• Quels standards de données peuvent être utilisés pour organiser les données de neuroimgerie, et pourquoi les adopter?
• Comment définir et visualiser des "features" pour faire de l'apprentissage machine en neuroimagerie?
• Quels sont les principes de base de l'apprentissage profond, et en quoi cela diffère-t-il de l'apprentissage machine traditionnel?

Un court quizz sera organisé à la fin de la semaine 1, pour vérifier que les participants ont intégré les points clés de la semaine. Ce quizz comptera pour 10% de la note finale, pour les participants inscrits à l'école dans le cadre d'un cours gradué.

La semaine 2 incluera des “pitch sessions”, où les instructeurs présentent rapidement une série de resources qui peuvent être intégrées à des projets. La semaine 2 sera principalement consacrée à la définition et au démarrage du projet. Dr Clare Kelly (Trinity College, Dublin) sera en résidence pour la semaine 2. En tant que participant, vous devrez décider:

• Sur quel domaine général souhaitez-vous travailler? par exemple une comparaison de groupes en IRMf ou en MEG.
• Quelles compétences souhaitez-vous apprendre en travaillant sur ce projet? par exemple comment traiter des données d'IRM structurelle, effectuer une classification d'images avec sklearn, utiliser git, etc.
• Sur quelles ressources souhaitez-vous travailler? par exemple le jeu de données CORR, la librairie nipype, le papier de parcellisation de Glasser, etc.
• Quels objectifs souhaitez-vous atteindre avec ce projet? par exemple trouver des différences de connectivité entre deux groupes, répliquer une parcellisation multimodale du cerveau, ect.
• Quel seront les résultats du projet? un papier court? un jeu de données public? une nouvelle fonctionnalité dans un logiciel?

Une description écrite de chaque projet sera soumise et révisée à la fin de la semaine 2. Cette description comptera pour 10% de la note finale, pour les participants inscrits à l'école dans le cadre d'un cours gradué.

Durant la semaine 3, les participants travailleront sur leur projet. Dr Joana Pereira (Karolinska Institute) sera en résidence pour la semaine. Une journée typique incluera:

• Travail sur le projet. L'essentiel du temps sera réservé pour le projet.
• Tutoriels. Des tutoriels seront organisés à la demande.
• Collaboration. Les participants auront du temps chaque jour pour collaborer sur un autre projet.

À la fin de la semaine 3, les participants devront réaliser une courte capsule vidéo expliquant en quoi consiste leur projet. Cette description comptera pour 10% de la note finale, pour les participants inscrits à l'école dans le cadre d'un cours gradué.

Durant la semaine 4, les participants devront finaliser les résultats de leur projet et produire les livrables associés. Dr Pamela Douglas (University of California, Los Angeles) sera en résidence pour la semaine. Les participants devront produire un livrable écrit pour leur projet, comme un article court dans le format des actes BrainHack, ou un poste de blog. Ces livrables devront être finalisés pour le 6 Septembre (une semaine après la fin de l'école), et compteront pour 30% de la note finale. Pendant la quatrième semaine, les participants feront également une courte présentation orale de leur travail, qui comptera pour 28% de la note finale. Finalement, une note de participation sera attribuée pour l'ensemble des 4 semaines, et comptera pour 12% de la note finale.