Eğİtİm Semİnerlerİ

T1. Yüksek İrtifa Platform İstasyonları (HAPS) ile 6G ve Ötesi Kablosuz Haberleşme Sistemleri

Dr. Metin Öztürk (Ankara Yıldırım Beyazıt Üniversitesi), Dr. Cihan Emre Kement (ASELSAN)

• 1. Oturum: HAPS Teknolojisine Giriş ve Uygulama Alanları (75 dk.)
  • 1.1. HAPS Nedir? Teknik altyapı, çalışma prensipleri ve temel kavramlar
  • 1.2. HAPS ve 6G İlişkisi: Uydu tabanlı ve yer tabanlı sistemlerle entegrasyon
  • 1.3. HAPS Uygulama Alanları: Kırsal iletişim, IoT ve afet yönetimi
  • 1.4. Katılımcı soruları ve tartışma
• 2. Oturum: 6G Vizyonu, HAPS’ın Geleceği ve Zorluklar (75 dk.)
  • 2.1. ITU 6G Vizyonu ve Avrupa Birliği Perspektifi: Dijital eşitlik, sürdürülebilirlik ve enerji verimliliği hedefleri
  • 2.2. HAPS’ın 6G Ekosistemindeki Rolü: Ultra geniş bant ve düşük gecikme uygulamaları

T2. Milimetre Dalga ve Terahertz-bant için Merkezi ve Dağıtılmış Öğrenme Teknikleri

Dr. Ahmet Elbir (İstinye Üniversitesi)

• 1. Oturum: Hibrit Hüzme Oluşturma ve Kanal Tahmini için Derin Öğrenme (75 dk.)
  • 1.1. DL için Motivasyon
  • 1.2. Öğrenme Şemaları
  • 1.3. Öğrenme Modeli Türleri
  • 1.4. Veri Oluşturma ve Eğitim
  • 1.5. Örnekler: Tek/Çok Kullanıcılı Hibrit Hüzme Oluşturma
  • 1.6. Örnekler: Dar/Geniş Bantlı Hibrit Hüzme Oluşturma
  • 1.7. MATLAB'de Uygulama (veri oluşturma ve model eğitme)
• 2. Oturum: İletişimler için Gelişmiş Öğrenme Şemaları (75 dk.)
  • 2.1. Ortak Anten Seçimi ve Hibrit Hüzme Oluşturma için DL
  • 2.2. Ortak Kanal Tahmini ve Hibrit Hüzme Oluşturma için Çevrimiçi Öğrenme
  • 2.3. Anten Seçimi için Transfer Öğrenmesi
  • 2.4. Kanal tahmini ve Hüzme Oluşturma için Dağıtılmış Öğrenme
  • 2.5. Varış Yönü Tahmini için DL
  • 2.6. Ortak Radar-Haberleşme Hibrit Hüzme Oluşturma için DL
  • 2.7. Dağıtık hüzme oluşturma için DL
  • 2.8. Gelecekteki Araştırma Yönleri
  • 2.9. Tartışma/Soru ve Cevap

T3. Büyük Dil Modelleri ve Türkçe Adaptasyonu

Dr. Çağrı Toraman (Orta Doğu Teknik Üniversitesi)

• 1. Oturum: Büyük Dil Modelleri Temelleri (75 dk.)
  • 1.1. Büyük Dil Modelleri Nedir?
  • 1.2. Büyük Dil Modelleri’nin Tarihsel Gelişimi
  • 1.3. Büyük Dil Modelleri Mimarileri
  • 1.4. Ön-eğitim ve İnce-ayar Teknikleri
  • 1.5. Büyük Dil Modelleri'nin Avantajları ve Zorlukları
  • 1.6. Soru-Cevap
• 2. Oturum: Büyük Dil Modellerinin Türkçe Adaptasyonu (75 dk.)
  • 2.1. Türkçe Dili Özellikleri ve Zorlukları
  • 2.2. Transfer Öğrenme ve Çok Dilli Modeller
  • 2.3. Tokenizasyon Stratejileri
  • 2.4. Türkçe Büyük Dil Modelleri Adaptasyon Teknikleri
  • 2.5. Türkçe Büyük Dil Modelleri Değerlendirme Metrikleri ve Benchmark'lar
  • 2.6. Soru-Cevap

T4. Hücresiz Massive MIMO (Cell-Free Massive MIMO): Temeller ve Enerji Duyarlı C-RAN Uygulaması

Dr. Özlem Tuğfe Demir (TOBB Ekonomi ve Teknoloji Üniversitesi)

• 1. Oturum: Hücresiz Massive MIMO (75 dk.)
  • 1.1. Hücreselden Hücresiz Massive MIMO’ya Geçiş
  • 1.1.1 Temel terminoloji, hücresel ağlar ve zayıf yönleri
  • 1.1.2. Hücresiz paradigmanın temel avantajları
  • 1.1.3. Tarihsel arka plan ve 4G CoMP ile farkları
  • 1.2. Hücresiz Massive MIMO’nun Temelleri
  • 1.2.1. Tanım, motivasyon ve vizyon
  • 1.2.2. Kullanıcı merkezli operasyon
  • 1.2.3. Yukarı ve aşağı yönlü sistem modeli
  • 1.2.4. Ağ ölçeklenebilirliği
  • 1.2.5. Farklı iş birliği seviyelerinde yukarı yönlü operasyon
  • 1.2.6. Farklı iş birliği seviyelerinde aşağı yönlü operasyon
• 2. Oturum: Sanallaştırılmış C-RAN Mimarisinde Hücresiz Massive MIMO (75 dk.)
  • 2.1. C-RAN mimarisi
  • 2.2. Hücresiz Massive MIMO için fronthaul taşıma teknolojileri
  • 2.3. Farklı fonksiyonel ayrım seçenekleriyle uçtan uca güç tüketimi modellemesi
  • 2.4. Uçtan uca güç minimizasyonu için hizmet kalitesi farkındalığına sahip ortak kaynak tahsisi
  • 2.5. Ortak toplam veri hızı maksimizasyonu ve enerji minimizasyonu

T5. Görsel Nesne Takibi

Dr. Hakan Çevikalp

• 1.1. Giriş
• 1.1.1. Nesne takibinin bilgisayarla görmede önemi
• 1.1.2. Gerçek dünya uygulamaları
• 1.1.2.1. Gözetim
• 1.1.2.2. Otonom sürüş
• 1.1.2.3. Robotik
• 1.1.2.4. Artırılmış gerçeklik
• 1.2. Takip paradigmalarına genel bakış
• 1.2.1. Tekli Nesne Takibi (SOT)
• 1.2.2. Çoklu Nesne Takibi (MOT)
• 1.3. Nesne takibindeki temel zorluklar
• 1.3.1. Görünürlük engelleri
• 1.3.2. Görünüm değişiklikleri
• 1.3.3. Gerçek zamanlı çalışma gereksinimleri

• 2.1. Güncel yöntemler
• 2.1.1. Derin öğrenme yaklaşımları
• 2.1.2. Korelasyon filtreleri
• 2.1.3. Siamese ağları
• 2.2. SOT ve MOT karşılaştırması
• 2.2.1. Yöntem ve uygulama farklılıkları
• 2.2.2. Ortak noktalar ve ilişkili teknikler
• 2.3. Alandaki gelişmeler
• 2.3.1. Takip algoritmalarındaki son gelişmeler
• 2.3.2. Değerlendirme metrikleri
• 2.3.3. Karşılaştırma veri kümeleri
• 2.4. Gelecek yönelimler
• 2.4.1. Açık araştırma problemleri
• 2.4.2. Gerçek dünya uygulamalarına etkisi

T6. Biyomedikal Görüntü Geriçatımı ve Görüntü İşleme Algoritmaları

Dr. Emine Ülkü Sarıtaş (Bilkent Üniversitesi)

•   1.1. Biyomedikal görüntüleme modaliteleri
•   1.2. Görüntü geriçatımı ve görüntü işleme farkı
•   1.3. Görüntü kalitesi ölçme metrikleri
•   1.4. Çok boyutlu Fourier dönüşümü ve çok boyutlu sistemler
•   1.5. Radon dönüşümü ve Fourier dilim teoremi
•   1.6. Çok boyutlu uzayda örnekleme

•   2.1. Ters problemler
•   2.2. Yinelemeli yöntemler
•   2.3. Alt örnekleme için geriçatım algoritmaları
•   2.4. Sıkıştırılmış algılama için geriçatım algoritmaları
•   2.5. Derin öğrenme temelli yöntemler

•   3.1. Gürültü giderme
•   3.2. Süper çözünürlük
•   3.3. Artefakt düzeltme
•   3.4. Derin öğrenme temelli yöntemler

T7.a. Model Tabanlı Tasarımda Yapay Zekâ Uygulamaları

Sebahattün Babür (FİGES)

Model Tabanlı Tasarımda (MBD) Yapay Zekâ uygulamaları, sistem geliştirme sürecine veri odaklı zekâ katmanı ekleyerek tasarım döngüsünü hızlandırmakta ve doğruluğu artırmaktadır. Fiziksel sistemlerin Simulink ve Simscape gibi araçlarla modellenmesinin ardından, bu modellere yapay zekâ destekli karar mekanizmaları entegre edilerek akıllı kontrolörler, kestirimci bakım algoritmaları ve otonom sistem davranışları geliştirilebilmektedir. Derin öğrenme, makine öğrenmesi ve istatistiksel analiz yöntemleri ile sistemin gerçek dünyadaki veriler üzerinden optimize edilmesi mümkün hale gelirken, geliştirilen yapay zekâ modelleri hem simülasyon ortamında hem de gerçek zamanlı test sistemlerinde uygulanabilmektedir. Böylece, MBD süreci sadece fiziksel davranışların modellenmesiyle sınırlı kalmayıp, sistemlerin öğrenme ve adaptasyon kabiliyetleriyle daha esnek ve öngörülebilir hale gelmesini sağlamaktadır

T7.b. MATLAB ile 5G O-RAN Modellemesi ve Simülasyonu

Fatih Genç (FİGES)

Açık Radyo Erişim Ağı (O-RAN), 5G sistemlerinde esnek, üretici bağımsız ve yazılım tabanlı bir mimari sunarak geleneksel RAN yapılarından ayrılmaktadır. Bu çalışmada, 5G O-RAN mimarisinin MATLAB ortamında modellenmesi ve simülasyonu ele alınmıştır. Simülasyon altyapısı, MATLAB’in 5G Toolbox ve Simulink desteğiyle; Merkezi Birim (CU), Dağıtık Birim (DU) ve Radyo Birimi (RU) gibi O-RAN bileşenlerini farklı fonksiyonel bölme senaryolarıyla (örneğin 7.2x ve 8) modellemeye olanak sağlamaktadır. Ayrıca, standartlaştırılmış fronthaul arayüzleri ve kontrol düzlemi işaretleşmeleri de dikkate alınarak gecikme, veri hızı ve güvenilirlik performansları analiz edilmiştir. Çalışmada, RAN Akıllı Denetleyicisi (RIC) bileşeni içerisine MATLAB ortamında geliştirilen yapay zeka ve makine öğrenmesi algoritmalarının entegrasyonu da gösterilmiştir. Bu yapı, 5G O-RAN mimarisinin kontrollü ve tekrarlanabilir bir ortamda test edilmesini sağlayarak hem akademik hem de endüstriyel çalışmalar için önemli bir araç sunmaktadır.