Türkiye Merkezli AI for Robotics Eğitimleri

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

By the end of this training, participants will be able to:

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Robotik, yapay zeka (AI) alanında, akıllı ve verimli makinelerin programlanması ve tasarlanmasını ele alan bir alandır.

Bu eğitmen tarafından yönetilen canlı eğitim (çevrimiçi veya yerinde) temel AI yöntemleri kullanarak robotlar oluşturmak ve programlamak isteyen mühendislere yöneliktir.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Robota çevresindeki hareketli nesneleri bulabilmesini sağlamak için filtreleri (Kalman ve parçacık) uygulama.
• Arama algoritmalarını ve hareket planlamasını uygulama.
• Robota çevresindeki hareketlerini düzenlemek için PID kontrollerini uygulama.
• Robota bilinmeyen bir ortamı haritalamasını sağlamak için SLAM algoritmalarını uygulama.

Eğitim Formatı

• Etkileşimli ders ve tartışma.
• Birçok alıştırma ve pratik.
• Canlı-lab ortamında elden deneyim.

Eğitim Özelleştirme Seçenekleri

• Bu eğitim için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin.

Bu eğitmen yönetilen canlı eğitimde Türkiye (çevrimiçi veya yerel), katılımcılar nükleer teknoloji ve çevre sistemleri alanlarında kullanılacak farklı türlerde robotları programlama için kullanılan farklı teknolojiler, çerçeveler ve teknikleri öğreneceklerdir.

6 haftalık kurs, her hafta 5 gün boyunca düzenlenmektedir. Her gün 4 saat sürer ve dersler, tartışmalar ve canlı bir laboratuvar ortamında robot geliştirme içerir. Katılımcılar, kazandıkları bilgiyi uygulayabilmek için çeşitli gerçek dünya projelerini tamamlayacaklardır.

Bu kurs için hedef hardware 3D benzetim yazılımı kullanılarak benzetilecektir. Robotları programlamak için ROS (Robot İşletim Sistemi) açık kaynak çerçeve yapısı, C++ ve Python kullanılacaktır.

Bu eğitim sonunda katılımcılar şunları başarabilecekler:

• Robotik teknolojilerde kullanılan temel kavramları anlamak.
• Robottaki yazılım ve donanım arasındaki etkileşimi anlayıp yönetmek.
• Robotik üzerine yatan yazılım bileşenlerini anlamak ve uygulamak.
• Görme, algılama, işlem, yön bulma ve sesli insan ile etkileşim kurabilen bir benzetilmiş mekanik robot oluşturmak ve işletmek.
• Bilgiye dayalı robot oluşturmak için gerekli yapay zeka unsurlarını (makine öğrenmesi, derin öğrenme vb.) anlamak.
• Kalman ve Parçacık filtrelerini uygulamak ve robotun çevresindeki hareket eden nesneleri belirlemesini sağlamak için kullanmak.
• Araştırma algoritmalarını ve hareket planlamasını uygulamak.
• PID kontrolünü uygulayarak bir robotun çevredeki hareketini düzenlemek.
• SLAM (Simultaneous Localization and Mapping) algoritmalarını uygulayıp, bilinmeyen bir ortamı haritalama yeteneğini sağlamak için kullanmak.
• Derin Öğrenme ile robotun karmaşık görevleri gerçekleştirebilmesini genişletmek.
• Gerçekçi senaryolarda bir robota test etmek ve sorun gidermek.

Bu Türkiye'da düzenlenecek canlı eğitimde (online veya face-to-face), katılımcılar nükleer teknoloji ve çevre sistemleri alanında kullanılacak farklı robot türlerini programlama için gerekli teknolojiler, çerçeveler ve yöntemleri öğreneceklerdir.

Dört haftalık kurs her gün dörder saat süren 5 günlük olarak düzenlenecektir. Her gün ödevler, tartışmalar ve canlı laboratuvar ortamında robot geliştirme işlemlerini içerecektir. Katılımcılar, elde ettikleri bilgiyi uygulayabilecekleri gerçek hayat projelerini tamamlamış olacaktır.

Bu kurs için hedeflenen donanım 3D benzetim yazılımları ile simüle edilecektir. Sonra kodlar fiziksel donanıma (Arduino veya diğer) yüklenerek final testleri yapılacak olacaktır. Robotları programlama için ROS (Robot İşletim Sistemi), C++ ve Python kullanılmaktadır.

Bu eğitim sonunda katılımcılar şunları başarabilecekler:

• Robottik teknolojilerde kullanılan ana kavramları anlamak.
• Bir robottik sistemin yazılım ve donanım arasındaki etkileşimleri yönetmek.
• Robottikte temel olan yazılım bileşenlerini uygulamak.
• Görme, algılama, işleme, gezinme ve ses üzerinden insanlarla etkileşim kurabilen bir benzetim mekanik robotu inşa etmek ve işletmek.
• Bir akıllı robot oluşturmak için gerekli yapay zeka unsurlarını (makine öğrenmesi, derin öğrenme vb.) anlamak.
• Kalman ve Parçacık filtrelerini uygulamak ve bu sayede ortamdaki hareket eden nesneleri belirlemek için robotu etkin hale getirmek.
• Arama algoritmaları ve hareket planlamasını uygulamak.
• PID kontrollerini uygulayarak bir ortam içindeki robot hareketlerinin düzenlenmesi.
• SLAM algoritmalarını kullanarak bilinmeyen bir ortama harita oluşturma yeteneği kazandırmak için robotu etkin hale getirmek.
• Gerçekçi senaryolarda bir robotun testini ve sorunlarını gidermek.