---
tags: スキル定義委員会(編集中), プログラミング, 性質・関係性の把握, PJマネジメント, グラフィカルモデル, 共分散構造分析, 構造方程式モデリング
---

# スキル定義委員会-111

## DE-111 プログラミング - 基礎プログラミング ⭐️

### Q.オブジェクト指向言語の基本概念を理解し、スーパークラス（親クラス）を継承して、スーパークラスのプロパティやメソッドを適切に活用できる

今回はpytorch.nn.Moduleを継承してオリジナルのモデルを作成するコードを参考にオブジェクト指向について考えます。

class NewModel(nn.Module):
    def __init__(self, data) -> None:
        super(NewModel, self).__init__()
        self.data = data
        
        self.fc1 = nn.Linear(3, 1)
    def forward(self, i):               # <- nn.Moduleのもつクラス関数を継承して利用
        out = self.fc1(self.data[i])
        out = out.view(-1)
        return out.squeeze()

- 1行目で継承する親クラスを宣言します。
- 2行目の__init__(self, ...)では、インスタンスを作成した時のコンストラクタを宣言します。ここで宣言した変数はその後のクラス内の関数でselfを経由して利用できます。
- forward()はnn.Moduleに宣言された関数であり、ここで伝播のアルゴリズムを書きます。このように定義されているのは、ほかのライブラリからこのモデルの値を参照しようしたとき決められた設計であれば、利用しやすくなるためです。

- (Github sample-111)[https://github.com/jsakaguc/NCCEPOC/blob/main/define_skill/sample-111/DE-111.ipynb]

------------------------------------------------------------------------

## DS-111 性質・関係性の把握 - グラフィカルモデル ⭐️⭐️

### Q.共分散構造分析（構造方程式モデリング：SEM）を行い、観測変数・潜在変数の因果関係を説明できる

#### 共分散構造分析

複数の変数間の因果関係を統計的に分析するための方法です。
パス図（path diagram）と呼ばれるグラフィカルモデルを用いて、変数間の因果関係を表現します。観測変数と潜在変数（latent variable）の両方を扱うことができ、複雑な因果モデルを構築することができます。

共分散行列を用いて、観測されたデータとモデルの予測値との間の誤差を最小化することでパラメータを推定します。SEMでは、モデルの適合度を評価するための統計量として、フィットインデックス（fit index）や信頼性係数（reliability coefficient）などが使用されます。

---

------------------------------------------------------------------------

## BZ-111 PJマネジメント - リソースマネジメント ⭐️⭐️ 🔥必須🔥

### Q.プロジェクトに設定された予算やツール、システム環境を適切に活用し、プロジェクトを進行できる

---

------------------------------------------------------------------------

# Quote
- [スキル定義委員会 from データサイエンティスト協会](https://twitter.com/jdss_skill)

<style>
.att0 {color: #eb4034;}
.att1 {color: #3465eb;}
.att2 {color: #69c976;}
</style>

<!-- <span class="att0"></span> -->