Strojno učenje u današnje vrijeme više nije novost. Napredak područja izrade sve kvalitetnijih i preciznijih predviđanja je eksponencijalan. Korak dalje u tom području je metoda skupnog učenja koja ujedinjuje predviđanja dva modela u jedan. Time se postiže model koji može kroz kombiniranje modela ispraviti grešku jednog modela snagom drugog i obrnuto. Isto je tako moguće u sklopu skupnog učenja dodati metode optimizacije kao što su bagging i boosting za postizanje boljih rezultata. Ovaj je rad pokrio nekoliko varijacija skupnog učenja, od kombiniranja istog modela s različitim parametrima, do kombiniranja različitih modela te spomenute metode bagging i boosting . Sve su metode primijenjene na set podataka koje prikazuju status žena u pojedinoj državi i regiji za svaku godinu od 1971. do 2020. Da bi se odabrale pravilne metode predviđanja u rad je uključena i vizualizacija podataka. Rezultati su pokazali zanimljive odnose među faktorima koji su utjecali na prava i status žena kroz vrijeme te da je upravo godina izračuna ključan faktor u tome. Kao najbolja metoda skupnog učenja u ovom je slučaju bilo klasifikacijsko stablo uz korištenje boostinga, međutim ono što su rezultati isto tako pokazali jest da skupno učenje ima brojne varijacije koje vrijedi istražiti.