Q:
อะไรคือประโยชน์หลักของการเรียนรู้ทั้งมวล?
A:การเรียนรู้ทั้งมวลมีประโยชน์มากมายสำหรับโครงการเรียนรู้ของเครื่อง หลายสิ่งเหล่านี้เกี่ยวข้องกับการใช้โหนดที่ค่อนข้างง่ายจำนวนมากเพื่อรวมผลลัพธ์อินพุตและเอาต์พุตบางรายการ
ตัวอย่างเช่นการเรียนรู้ทั้งมวลสามารถช่วยให้ผู้จัดการโครงการจัดการกับทั้งอคติและความแปรปรวน - ความแปรปรวนที่แสดงผลลัพธ์ที่กระจัดกระจายซึ่งยากต่อการบรรจบกัน
มีการวิเคราะห์ทางคณิตศาสตร์ที่ใช้เวลานานและมีส่วนร่วมในการทำงานของวิธีการแก้ปัญหาเหล่านี้พร้อมกับการปฏิบัติที่หลากหลายเช่นการส่งเสริมและการบรรจุถุง แต่สำหรับผู้ที่ไม่ได้มีส่วนร่วมในการเรียนรู้ของเครื่องจักร วิธีการที่ขึ้นอยู่กับฉันทามติในการเรียนรู้ของเครื่องที่ช่วยในการปรับแต่งผลลัพธ์และให้ความแม่นยำ คิดว่าการเรียนรู้ทั้งมวลเป็นสิ่งสำคัญในการ“ crowdsourcing” ของจุดอินพุตเพื่อสร้างการวิเคราะห์ภาพรวม ในแง่หนึ่งนี่คือสิ่งที่การเรียนรู้ด้วยเครื่องจักรเป็นเรื่องเกี่ยวกับและ AdaBoost หรือระบบที่เกี่ยวข้องทำได้ผ่านการเรียนรู้ทั้งมวล อีกวิธีหนึ่งในการทำให้แนวคิดนี้ลงไปถึงพื้นฐานคือการคิดถึงสโลแกนเก่า:“ สองหัวดีกว่าหนึ่ง” และคิดว่าการกระจายหรือควบคุมการกระจายอำนาจช่วยให้เกิดผลลัพธ์ที่แม่นยำมากขึ้นได้อย่างไร
ตัวอย่างหนึ่งของการเรียนรู้ทั้งมวลคือวิธีการป่าแบบสุ่ม ในฟอเรสต์แบบสุ่มกลุ่มของต้นไม้การตัดสินใจมีวัสดุซ้อนทับกันและผลลัพธ์ที่ไม่ซ้ำกันบางอย่างที่ผสานเข้าด้วยกันเพื่อให้บรรลุเป้าหมายด้วยผลลัพธ์ทางคณิตศาสตร์และระเบียบวิธี นี่คือตัวอย่างของวิธีการเรียนรู้ทั้งมวลในทางปฏิบัติเพื่อสนับสนุนการเรียนรู้ของเครื่องที่ดีขึ้นในเครือข่ายประสาทและระบบอื่น ๆ ในแง่พื้นฐานข้อมูล "รวม" และมีความแข็งแกร่งสำหรับการกระจายอำนาจ
