Proučavanje promjenjivih događaja u svemiru koji se događaju na relativno kratkim vremenskim skalama od velikog je interesa za astrofizičare jer se iz njih mogu dobiti mnoge korisne informacije. Isto vrijedi i za promjenjive zvijezde, to jest zvijezde čiji sjaj nije konstantan. Promatranjem takvih zvijezda moguće je odrediti svojstva zvijezda, u nekim slučajevima i jednostavnije nego kod promatranja nepromjenjivih zvijezda, kao i udaljenosti u svemiru. Kako bismo bili sigurni da su dobivene informacije ispravne, važno je pravilno odrediti kojoj vrsti pripada promjenjiva zvijezda. Međutim, ručno određivanje kategorije za svaku od stotina tisuća promjenjivih zvijezda koje se opažaju u pregledima neba veoma je dug i težak proces. Kako bi se isti ubrzao i automatizirao, mogu se koristiti metode strojnog učenja. U ovom radu korištene su metode klasifikacije i grupiranja sadržane u Scikit-Learn paketu u programskom jeziku Python kako bi se kategoriziralo oko 100000 promjenjivih zvijezda opaženih u Catalina pregledu neba. Za klasifikaciju korišten je Support Vector Machine (SVM) algoritam nadziranog strojnog učenja, a za grupiranje Gaussian Mixture Model (GMM) algoritam nenadziranog strojnog učenja. Dobiveni rezultati uspoređeni su s kategorizacijom provedenom u Catalina pregledu neba kako bi se dobio uvid u to koja metoda je preciznija. Rezultati pokazuju da je SVM algoritam bolji izbor za klasifikaciju ovakvog tipa podataka, ali i on pokazuje neka odstupanja od Catalina pregleda neba. Zaključeno je da se metode strojnog učenja mogu koristiti u traženu svrhu, ali potrebno je još proučavanja kako bi se proces optimizirao.