تحليل وتصنيف البيانات الفلكية باستخدام تقنيات تعلم الآلة المتقدمة

في هذا المشروع قمت بتطوير نموذج ذكاء اصطناعي متكامل لتصنيف الأجرام السماوية (النجوم، المجرات، والكوازار) اعتمادًا على بيانات فلكية حقيقية تحتوي على خصائص طيفية وضوئية لكل جرم. بدأت بتحليل البيانات واستكشافها لفهم طبيعة الخصائص المختلفة مثل شدة الضوء في نطاقات متعددة (u, g, r, i, z) بالإضافة إلى خاصية **الانزياح الأحمر (Redshift)** التي تعد من أهم المؤشرات الفيزيائية لتحديد بعد الأجرام في الكون. تم تنفيذ مراحل تنظيف البيانات ومعالجة القيم المفقودة، ثم تطبيق تقنيات **Feature Engineering** لاستخراج معلومات إضافية مثل الفروق بين النطاقات الضوئية (Color Index) والتي تلعب دورًا مهمًا في التمييز بين أنواع الأجرام. بعد ذلك، قمت بتجربة عدة نماذج تعلم آلة، من بينها: * Logistic Regression * Random Forest * XGBoost * KNN * Gradient Boosting * AdaBoost * Decision Tree * LightGBM وتم اختيار نموذج **LightGBM** كأفضل نموذج بعد المقارنة، حيث حقق دقة تقارب **98%** مع أداء قوي في التمييز بين الفئات المختلفة، خاصة في الحالات المعقدة مثل الكوازار. كما قمت بتحليل أهمية الخصائص (Feature Importance) لفهم العوامل الأكثر تأثيرًا في قرارات النموذج، حيث تبين أن خاصية **Redshift** كانت العامل الأهم في عملية التصنيف. التقنيات المستخدمة * Python * Pandas & NumPy * Scikit-learn * XGBoost * Matplotlib النتائج * دقة النموذج: ~98% * أداء قوي في تصنيف النجوم والمجرات * تحسين ملحوظ في تصنيف الكوازار باستخدام Feature Engineering