6
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@abcdefg123

ITで学ぶ大岩の英文法

6
Last updated at Posted at 2026-03-06

第0章 Pythonで学ぶ品詞と a / the の違い

品詞とは、単語の役割を見分けるための分類です。
英語の文は、どの単語が名前で、どの単語が動きで、どの単語が説明なのかを分けて考えると理解しやすくなります。

名詞 noun

人や物や事柄の名前を表す言葉です。

例

  • function
  • variable
  • laptop
  • dataset
  • model

動詞 verb

動作、状態、変化を表す言葉です。

例

  • code
  • debug
  • run
  • sleep
  • deploy

形容詞 adjective

名詞を説明する言葉です。

例

  • useful
  • broken
  • busy
  • accurate
  • large

副詞 adverb

動詞、形容詞、他の副詞、文全体を説明する言葉です。

例

  • quickly
  • often
  • here
  • carefully
  • yesterday

a と the の違い

a

「1つの」「ある〜」という意味で、まだ特定されていないものに使います。

the

「その」「あの」という意味で、何を指すか話し手と聞き手の間で分かっているものに使います。

例文

I wrote a function in the morning.
朝に関数を1つ書いた。
この a function は、まだどの関数か特定されていません。

The function has a bug.
その関数にはバグがある。
ここでは、前に出てきた function を指しているので the になります。

There is a laptop on the desk.
机の上にノートPCがある。
まだどのノートPCか特定していません。

The laptop is mine.
そのノートPCは私のものだ。
前に出た laptop を指すので the になります。

まとめ

  • 品詞は単語の役割を表す
  • 名詞は名前、動詞は動き、形容詞は名詞説明、副詞は名詞以外の説明
  • a は未特定
  • the は特定済み、または特定できるもの

CHECK問題

  1. useful は何詞ですか。
    答え: 形容詞

  2. quickly は何詞ですか。
    答え: 副詞

  3. 初めて出す「あるノートPC」は a と the のどちらを使いますか。
    答え: a

  4. さっき話に出たそのノートPCは a と the のどちらを使いますか。
    答え: the

第1章 be動詞 と 一般動詞 の区別

英語の文は、動詞で形が決まります。
まずその文の動詞が be動詞 なのか、一般動詞 なのかを見抜くことが大切です。

be動詞

be, am, is, are, was, were, been などです。

be動詞 の役割

  1. 主語と後ろの語を「=」で結ぶ
  2. 存在や場所を表す

例文

I am a Python developer.
私はPython開発者です。
I = a Python developer という関係です。

NumPy and Pandas are useful.
NumPyとPandasは便利です。
NumPy and Pandas = useful という関係です。

The bug is in the code.
バグはコードの中にある。
存在場所を表しています。

There is a new issue in the repository.
リポジトリに新しい issue がある。
存在を表しています。

There are many errors in the log file.
ログファイルには多くのエラーがある。
これも存在を表しています。

一般動詞

be動詞 以外のほとんどすべての動詞が一般動詞です。

例

  • run
  • debug
  • commit
  • deploy
  • install
  • use
  • write

例文

Alice runs the Python script.
アリスはPythonスクリプトを実行する。

Bob wanted a new laptop.
ボブは新しいノートPCを欲しがっていた。

重要ルール

三人称単数現在では、一般動詞に -s を付ける

Alice codes fast.
アリスは速くコードを書く。

The model works well.
そのモデルはうまく動く。

主語が複数なら -s は付きません。

Two developers code together.
2人の開発者は一緒にコードを書く。

過去の話では動詞を過去形にする

Alice wanted a new framework.
アリスは新しいフレームワークを欲しがった。

まとめ

  • 英文の骨組みは動詞で決まる
  • be動詞 は「=」や存在を表す
  • 一般動詞 は動作や変化を表す
  • 三人称単数現在では -s
  • 過去は過去形にする

CHECK問題

  1. She is a developer. の動詞は何ですか。
    答え: be動詞

  2. He runs fast. の動詞は何ですか。
    答え: 一般動詞

  3. work を三人称単数現在にするとどうなりますか。
    答え: works

  4. Alice wanted a laptop. は現在ですか、過去ですか。
    答え: 過去

第2章 be動詞・一般動詞 の否定文と疑問文

文には、ふつうの文、否定文、疑問文があります。
この作り方は、be動詞 の文と 一般動詞 の文で違います。

be動詞 の否定文

be動詞 の後ろに not を置きます。

Python is not difficult.
Pythonは難しくない。

I am not a Java developer.
私はJava開発者ではない。

They aren’t data scientists.
彼らはデータサイエンティストではない。

be動詞 の疑問文

be動詞 を文頭に出します。

Is Python popular?
Pythonは人気ですか。

Are they software engineers?
彼らはソフトウェアエンジニアですか。

一般動詞の否定文

do not, does not, did not を使います。

Alice doesn’t write bugs.
アリスはバグを書かない。

My parents don’t use Python.
私の両親はPythonを使わない。

Bob didn’t deploy yesterday.
ボブは昨日デプロイしなかった。

一般動詞の疑問文

Do, Does, Did を文頭に置きます。

Does your code run fast?
あなたのコードは速く動きますか。

Do they test software every day?
彼らは毎日ソフトウェアをテストしますか。

文の整理

He is a Python developer.
彼はPython開発者です。

He is not a Python developer.
彼はPython開発者ではありません。

Is he a Python developer?
彼はPython開発者ですか。

Isn’t he a Python developer?
彼はPython開発者ではないのですか。

He writes Python scripts.
彼はPythonスクリプトを書く。

He doesn’t write Python scripts.
彼はPythonスクリプトを書かない。

Does he write Python scripts?
彼はPythonスクリプトを書きますか。

Doesn’t he write Python scripts?
彼はPythonスクリプトを書かないのですか。

まとめ

  • be動詞 の否定は be + not
  • be動詞 の疑問は be を前に出す
  • 一般動詞の否定は do / does / did + not
  • 一般動詞の疑問は Do / Does / Did を前に出す
  • 一般動詞の疑問文・否定文では、後ろの動詞は原形

CHECK問題

  1. Python is useful. を否定文にしなさい。
    答え: Python is not useful.

  2. They are engineers. を疑問文にしなさい。
    答え: Are they engineers?

  3. He uses Python. を否定文にしなさい。
    答え: He does not use Python. / He doesn’t use Python.

  4. She writes code. を疑問文にしなさい。
    答え: Does she write code?

第3章 基本5文型

英語の文は、主語、動詞、目的語、補語などの組み合わせでできています。
この型を意識すると、英語の文が組み立てやすくなります。

自動詞と他動詞

自動詞

目的語がなくても文が成り立つ動詞です。

例
Alice codes.
アリスはコーディングする。

他動詞

目的語が必要な動詞です。

例
Alice uses NumPy.
アリスはNumPyを使う。

第1文型 S + V

主語と動詞だけで意味が通じる文です。

Alice codes.
アリスはコードを書く。

Bob debugs.
ボブはデバッグする。

第2文型 S + V + C

補語が主語を説明する文です。
S = C の関係になります。

Alice is a data scientist.
アリスはデータサイエンティストだ。

Bob looks busy.
ボブは忙しそうに見える。

第3文型 S + V + O

動詞のあとに目的語をとる文です。

Alice uses NumPy.
アリスはNumPyを使う。

Bob installs Pandas.
ボブはPandasをインストールする。

第4文型 S + V + O1 + O2

2つの目的語をとる文です。
O1 は人、O2 は物になりやすいです。

Alice gave Bob a Jupyter notebook.
アリスはボブにJupyterノートブックを渡した。

Bob showed Alice a Matplotlib plot.
ボブはアリスにMatplotlibのグラフを見せた。

第5文型 S + V + O + C

目的語と補語がイコール関係になる文です。

Alice made the model accurate.
アリスはモデルを正確にした。

Bob named the variable result.
ボブは変数を result と名づけた。

冠詞と前置詞

冠詞

  • a は「1つの」「ある〜」
  • the は「その」「特定の〜」

Alice imported a library.
アリスはあるライブラリをインポートした。

Bob imported the NumPy module.
ボブはその特定のNumPyモジュールをインポートした。

前置詞

名詞と組み合わせて場所、方向、方法などを表します。

Alice wrote code in the notebook.
アリスはノートブックの中でコードを書いた。

Bob saved the figure on the server.
ボブはサーバーに図を保存した。

まとめ

  • 文型は文の骨組み
  • 第1文型は S + V
  • 第2文型は S = C
  • 第3文型は V の後ろに目的語
  • 第4文型は「人に物を」
  • 第5文型は O = C
  • 自動詞と他動詞の区別が重要

CHECK問題

  1. Alice codes. は第何文型ですか。
    答え: 第1文型

  2. Bob is busy. は第何文型ですか。
    答え: 第2文型

  3. Alice uses NumPy. は第何文型ですか。
    答え: 第3文型

  4. Bob gave Alice a notebook. は第何文型ですか。
    答え: 第4文型

  5. They made the model accurate. は第何文型ですか。
    答え: 第5文型

第4章 時制① 現在形・過去形・未来・進行形

英語は動詞の形を変えて、いつの話かを表します。
これを時制といいます。

現在形

習慣、普遍的事実、一般的な状態を表します。

NumPy is a library for arrays.
NumPyは配列のためのライブラリです。

She uses pandas every day.
彼女は毎日 pandas を使う。

I have a virtualenv.
私は仮想環境を持っている。

過去形

今より前の出来事を表します。

He installed matplotlib yesterday.
彼は昨日 matplotlib をインストールした。

She was a Django developer.
彼女はDjango開発者だった。

過去完了

had + 過去分詞
過去よりさらに前の出来事を表します。

He said that he had used TensorFlow before.
彼は以前 TensorFlow を使ったことがあると言った。

未来

will + 動詞の原形
be going to + 動詞の原形
で表します。

I will deploy with FastAPI next year.
私は来年 FastAPI でデプロイするだろう。

She is going to learn PyTorch tomorrow.
彼女は明日 PyTorch を学ぶ予定だ。

進行形

be動詞 + Ving
「今まさに〜しているところ」を表します。

He is debugging NumPy now.
彼はいま NumPy をデバッグしているところだ。

We are refactoring pandas code now.
私たちはいま pandas のコードをリファクタリングしているところだ。

現在形と進行形の違い

現在形

習慣や事実

They use scikit-learn every week.
彼らは毎週 scikit-learn を使う。

進行形

今この瞬間の動作

They are training a model with scikit-learn now.
彼らはいま scikit-learn でモデルを学習している。

進行形にしにくい動詞

have, know, believe, love などは、ふつうは進行形にしません。
これらは状態を表すことが多いからです。

通常の形

I have enough GPUs for training.
私は学習に十分なGPUを持っている。

She knows the architecture of transformers very well.
彼女はトランスフォーマーの構造をよく知っている。

We believe this model will outperform the baseline.
私たちはこのモデルがベースラインを上回ると信じている。

They love working with PyTorch.
彼らはPyTorchで作業するのが大好きだ。

口語での例外的な進行形

I’m having some trouble with the loss function today.
今日、損失関数で少し困っている。

I’m loving this PyTorch tutorial!
このPyTorchチュートリアル、今すごく気に入っている。

まとめ

  • 現在形は習慣・事実
  • 過去形は過去の出来事
  • 過去完了は過去よりさらに前
  • 未来は will や be going to
  • 進行形は be + Ving
  • 状態動詞はふつう進行形にしにくい

CHECK問題

  1. She uses pandas every day. は何形ですか。
    答え: 現在形

  2. He installed matplotlib yesterday. は何形ですか。
    答え: 過去形

  3. I will deploy it tomorrow. は何を表しますか。
    答え: 未来

  4. We are training a model now. は何形ですか。
    答え: 進行形

  5. know はふつう進行形にしにくい動詞ですか。
    答え: はい

第5章 時制②：完了

完了形は、今と過去、または未来のある時点とのつながりを表す表現です。
単なる過去ではなく、「ずっと続いている」「経験がある」「もう終わった」という感覚が入ります。

完了形の種類

  • 現在完了：have[has] + 過去分詞
  • 過去完了：had + 過去分詞
  • 未来完了：will have + 過去分詞

※ have はここでは「持っている」ではなく、完了形を作る助動詞です。

現在完了の3つの意味

① 継続：ずっと V している

例文1
She has run a Docker container since 2017.
→ 彼女は2017年からずっとDockerコンテナを実行している。

② 経験：今までに V したことがある

例文2
I have built an image with Dockerfile before.
→ 私は以前Dockerfileでイメージをビルドしたことがある。

③ 完了・結果：ちょうど V したところだ / すでに V してしまった

例文3
He has already pushed the image to Docker Hub.
→ 彼はすでにDocker Hubにイメージをプッシュしてしまった。

現在完了の否定文

  • 形：S + have[has] + not + 過去分詞
  • 短縮：haven’t / hasn’t + 過去分詞
  • never を使うと「一度も〜ない」

例文4
I have never pulled a private image.
→ 私は一度もプライベートイメージをプルしたことがない。

  • already は否定文で not ... yet に変わることが多い

例文5
She has not deployed the container yet.
→ 彼女はまだコンテナをデプロイしていない。

現在完了の疑問文

  • 形：Have[Has] + S + 過去分詞 ... ?
  • 答え方：Yes, S have/has. / No, S haven’t/hasn’t.
  • ever を加えると「今までに〜したことがありますか？」

例文6
Have you ever used docker-compose in production?
→ あなたは今までに本番環境で docker-compose を使ったことがありますか？

過去完了の意味

  • 形：had + 過去分詞
  • 過去のある時点より前を表す

例文7
He had maintained a Docker swarm for many years before Kubernetes appeared.
→ 彼はKubernetesが登場する前、何年もDocker Swarmを管理していた。

例文8
They had pulled many base images by that time.
→ 彼らはそのときまでに多くのベースイメージをプルしていた。

未来完了の意味

  • 形：will have + 過去分詞
  • 未来のある時点までにどうなっているかを表す

例文9
I will have run 100 containers if I launch 10 more.
→ あと10個立ち上げれば、100個のコンテナを実行したことになるだろう。

例文10
She will have managed Docker for 10 years by 2030.
→ 彼女は2030年までにDockerを10年間運用していることになるだろう。

例文11
The image will have been pushed to the registry by tomorrow.
→ そのイメージは明日までにはレジストリにプッシュされているだろう。

まとめ

  • 完了形は「つながり」を表す
  • 現在完了は 継続・経験・完了結果
  • 過去完了は「過去より前」
  • 未来完了は「未来のある時点までに」
  • since, for, already, yet, ever, never がよく使われる

CHECK問題

  1. 現在完了の形を書きなさい。
    答え: have[has] + 過去分詞

  2. I have used Docker before. の意味は何ですか。
    答え: 経験

  3. She has lived here since 2020. の意味は何ですか。
    答え: 継続

  4. He has already finished the task. の意味は何ですか。
    答え: 完了・結果

  5. Have you ever used this tool? は疑問文ですか。
    答え: はい

第6章 助動詞①

助動詞は、動詞の前について「できる」「かもしれない」「〜すべきだ」などの意味を加える語です。
文の気持ちや強さを変える重要な役割があります。

助動詞と助動詞が入った文の形

（Python と Excel VBA 用語版）

助動詞の役割

  • 動詞の前にくっつき、文に意味を付け加える
  • 「未来」「可能」「義務」「推量」「許可」などを表す
  • 助動詞の後ろの動詞は必ず原形

助動詞の文の形

  • 肯定文：S + 助動詞 + V
  • 否定文：S + 助動詞 + not + V
  • 疑問文：助動詞 + S + V ... ?

can / could

① 能力・可能

例文1
Python can import NumPy.
→ PythonはNumPyをインポートできる。

② 可能性

例文2
That VBA macro cannot be safe.
→ そのVBAマクロは安全なはずがない。

③ 許可

例文3
Can I run this Python script?
→ このPythonスクリプトを実行してもいいですか？

④ 丁寧・弱い可能性

例文4
Could you debug this Excel VBA code?
→ このExcel VBAコードをデバッグしていただけますか？

may / might

① 許可

例文5
You may save the Excel file now.
→ 今Excelファイルを保存してよい。

② 推量

例文6
The Python process may be running in the background.
→ Pythonプロセスがバックグラウンドで動作しているかもしれない。

③ 弱い推量

例文7
It might crash if the VBA loop is infinite.
→ VBAループが無限ならクラッシュするかもしれない。

must

① 義務

例文8
Developers must test Python functions before deployment.
→ 開発者はデプロイ前にPython関数をテストしなければならない。

② 推量

例文9
This Excel sheet must be corrupted after the error.
→ このExcelシートはエラー後に破損したに違いない。

③ 禁止

例文10
You must not delete this Python virtual environment.
→ このPython仮想環境を削除してはならない。

should

例文11
The VBA code should handle errors properly.
→ VBAコードは適切にエラーを処理すべきだ。

助動詞の書きかえ

  • will = be going to

例文12
Python will execute tomorrow. = Python is going to execute tomorrow.
→ Pythonは明日実行される予定だ。

  • can = be able to

例文13
VBA can call a Python script. = VBA is able to call a Python script.
→ VBAはPythonスクリプトを呼び出すことができる。

  • must = have to

例文14
You must update the Excel add-in. = You have to update the Excel add-in.
→ Excelアドインを更新しなければならない。

  • must not ≠ don’t have to

例文15
You must not close the Python IDE.
→ Python IDE を閉じてはいけない。禁止。

You don’t have to close the Python IDE.
→ Python IDE を閉じる必要はない。義務なし。

shall の表現

例文16
Shall I format the Excel sheet for you?
→ Excelシートを整形しましょうか？

例文17
Shall we optimize this Python loop?
→ このPythonループを最適化しませんか？

will / would / could を用いた依頼表現

例文18
Would you run this Excel macro for me?
→ このExcelマクロを実行していただけませんか？

would の表現

例文19
I would like to automate Excel with Python.
→ 私はPythonでExcelを自動化したいのです。

例文20
I’d like to create a VBA function for this sheet.
→ このシート用にVBA関数を作りたいのです。

まとめ

  • 助動詞の後ろは必ず動詞原形
  • can は能力・可能・許可
  • may / might は推量や許可
  • must は義務・強い推量・禁止
  • should は助言
  • must not と don’t have to の違いは重要

CHECK問題

  1. 助動詞の後ろの動詞は何形ですか。
    答え: 原形

  2. can はどんな意味を表せますか。
    答え: 能力・可能・許可 など

  3. You must not go. は禁止ですか、義務なしですか。
    答え: 禁止

  4. You don’t have to go. は禁止ですか、義務なしですか。
    答え: 義務なし

  5. Could you help me? は依頼表現ですか。
    答え: はい

第7章 助動詞②

助動詞には、単独の意味だけでなく、まとまった形で決まった意味を表す表現があります。
これらは慣用的な助動詞表現です。

慣用的な助動詞表現

1. had better

  • You had better V：Vした方がよい
  • You had better not V：Vしない方がよい

例文1
You had better tune your hyperparameters carefully.
→ ハイパーパラメータを慎重に調整した方がいい。

例文2
You had better not deploy the model without validation.
→ 検証せずにモデルをデプロイしない方がいい。

2. had best

  • You had best V：Vするのが一番よい
  • You had best not V：Vしないのが一番よい

例文3
You had best use cross-validation before publishing results.
→ 結果を公表する前にクロスバリデーションを使うのが一番よい。

例文4
You had best not ignore data leakage issues.
→ データリークの問題を無視しないのが一番よい。

3. ought to

  • ought to V：Vすべきだ
  • ought not to V：Vすべきではない

例文5
We ought to monitor the model drift in production.
→ 本番環境でモデルドリフトを監視すべきだ。

例文6
You ought not to overfit the training dataset.
→ 訓練データに過学習すべきではない。

4. used to

  • used to V：以前はよくVした
  • used to be ...：以前は...だった

例文7
We used to train models only on CPUs.
→ 以前はCPUだけでモデルを訓練していた。

例文8
There used to be many feature-engineered models before deep learning.
→ ディープラーニング以前は特徴量エンジニアリング主体のモデルが多かった。

5. may / might as well

  • 「〜するくらいならVした方がましだ」

例文9
You might as well use a pretrained model as build one from scratch.
→ 一から作るくらいなら事前学習済みモデルを使った方がましだ。

6. may / might well

  • 「Vするのももっともだ」

例文10
You may well be surprised at the performance boost from fine-tuning.
→ ファインチューニングによる性能向上に驚くのももっともだ。

7. would rather

  • would rather V1 than V2：V2するよりV1したい
  • would rather not V：むしろVしたくない

例文11
I would rather use PyTorch than TensorFlow.
→ TensorFlowを使うよりPyTorchを使いたい。

例文12
I would rather not label thousands of images manually.
→ 何千枚もの画像を手作業でラベル付けしたくない。

8. 紛らわしい used to

① be used to V
Vするために使われる

② be used to Ving
Vするのに慣れている

例文13
This GPU is used to train large language models.
→ このGPUは大規模言語モデルを訓練するために使われる。

例文14
I am used to debugging distributed training jobs.
→ 分散学習ジョブのデバッグに慣れている。

9. 過去の出来事を後悔する表現

  • need not have Vpp：Vする必要はなかったのに
  • should have Vpp：Vすべきだったのに

例文15
You need not have used so many epochs for convergence.
→ 収束にそんなに多くのエポックを使う必要はなかったのに。

例文16
You should have normalized the input features.
→ 入力特徴量を正規化すべきだったのに。

10. 過去の出来事を推察する表現

  • may / might have Vpp：Vしたかもしれない
  • must have Vpp：Vしたに違いない
  • cannot have Vpp：Vしたはずがない

例文17
The model may have failed due to vanishing gradients.
→ 勾配消失のせいでモデルが失敗したのかもしれない。

例文18
She must have optimized the learning rate schedule well.
→ 彼女は学習率スケジュールをうまく最適化したに違いない。

例文19
They cannot have trained this transformer without multiple GPUs.
→ 彼らが複数GPUなしでこのトランスフォーマーを訓練したはずがない。

まとめ

  • had better は強めの助言
  • ought to は「〜すべきだ」
  • used to は過去の習慣
  • be used to Ving は「慣れている」
  • would rather は好み
  • should have Vpp は後悔
  • must have Vpp は強い推量

CHECK問題

  1. used to V は何を表しますか。
    答え: 過去の習慣・以前の状態

  2. I am used to working late. は「遅くまで働くために使われる」ですか、「遅くまで働くのに慣れている」ですか。
    答え: 慣れている

  3. You should have studied harder. は何を表しますか。
    答え: 後悔・「もっと勉強すべきだったのに」

  4. She must have left already. は何を表しますか。
    答え: 強い推量

  5. I would rather stay home. は好みを表していますか。
    答え: はい

第8章 受動態

受動態は、「〜される」という受け身の言い方です。
動作をする人よりも、動作を受けるものを主役にしたいときに使います。

受動態の作り方とポイント

1. 受動態とは

  • 能動態：A が B を Vする
  • 受動態：B が A に Vされる
  • 形：be + 過去分詞

例
能動態：The engineer fine-tunes the model.
→ エンジニアがモデルをファインチューニングする。

受動態：The model is fine-tuned by the engineer.
→ モデルはエンジニアにファインチューニングされる。

2. 受動態の作り方 3ステップ

  1. 能動態の目的語 O を受動態の主語 S にする
  2. 動詞を be + 過去分詞 にする
  3. 行為者は by + 主語 で表す。省略も可。

3. 文型と受動態

  • 第1文型 SV、第2文型 SVC → Oがないので受動態にできない
  • 第3文型 SVO、第4文型 SVOO、第5文型 SVOC → Oを主語にして受動態を作れる

4. 第3文型の受動態

能動態：The researcher trained the large language model.
受動態：The large language model was trained by the researcher.
→ 大規模言語モデルは研究者に訓練された。

能動態：They deploy LLM applications worldwide.
受動態：LLM applications are deployed worldwide.
→ LLMアプリケーションは世界中でデプロイされている。

5. 第4文型の受動態

能動態：The mentor gave the student a dataset.

受動態①：The student was given a dataset by the mentor.
→ 学生はメンターにデータセットを与えられた。

受動態②：A dataset was given to the student by the mentor.
→ データセットはメンターによって学生に与えられた。

6. 第5文型の受動態

能動態：The engineer called the model "GPT-X".
受動態：The model was called "GPT-X" by the engineer.
→ そのモデルはエンジニアに「GPT-X」と呼ばれた。

7. 群動詞の受動態

能動態：The reviewers laughed at the poor prompt.
受動態：The poor prompt was laughed at by the reviewers.
→ その拙いプロンプトはレビュー担当者に笑われた。

能動態：The developer took care of the inference pipeline.
受動態：The inference pipeline was taken care of by the developer.
→ 推論パイプラインは開発者に管理された。

8. by 以外の前置詞を使う受動態

能動態：Everyone uses transformers.
受動態：Transformers are known to everyone.
→ トランスフォーマーは誰もが知っている。

よく使う形

  • be covered with ~
    The paper is covered with benchmark results.
    → その論文はベンチマーク結果で埋め尽くされている。

  • be interested in ~
    The researcher is interested in multimodal LLMs.
    → 研究者はマルチモーダルLLMに興味がある。

  • be made from / of ~
    Embeddings are made from token vectors.
    → 埋め込みはトークンベクトルから作られている。

  • be surprised at ~
    The engineer was surprised at the zero-shot performance.
    → エンジニアはゼロショット性能に驚いた。

まとめ

  • 受動態は be + 過去分詞
  • 目的語を主語にして作る
  • 行為者は by + 人
  • 第3・第4・第5文型は受動態にできる
  • 群動詞では前置詞を落とさない
  • be interested in などの形も重要

CHECK問題

  1. 受動態の基本形を書きなさい。
    答え: be + 過去分詞

  2. The engineer trained the model. を受動態にしなさい。
    答え: The model was trained by the engineer.

  3. The mentor gave the student a dataset. の受動態を1つ書きなさい。
    答え: The student was given a dataset by the mentor.

  4. laugh at の受動態では at を消しますか。
    答え: いいえ

  5. be interested in の in は必要ですか。
    答え: はい

第9章 疑問詞と疑問文

疑問詞は、「誰」「何」「いつ」「どこで」などをたずねる言葉です。
Yes / No で答えるだけでなく、具体的な情報を聞きたいときに使います。

疑問詞を使った疑問文

1. 疑問詞の種類

  • 疑問代名詞：who, what, which
  • 疑問形容詞：whose, which, what
  • 疑問副詞：when, where, why, how

2. 基本の疑問文復習

Alice trains a model.
→ Does Alice train a model?
Yes, she does. / No, she doesn’t.

3. 疑問代名詞を使った疑問文

例：Bob fine-tunes a model.

① 目的語が不明
Who does Bob fine-tune?
→ ボブは誰を、どのモデルをファインチューニングしますか？

② 主語が不明
Who fine-tunes the model?
→ 誰がそのモデルをファインチューニングしますか？

③ 物が不明
What do you have in your dataset?
→ 君のデータセットには何がありますか？

4. 疑問形容詞を使った疑問文

例：Clara can use this optimizer.
→ Which optimizer can Clara use?
→ クララはどのオプティマイザを使えますか？

例：David likes red.
→ What activation function does David like?
→ デイビッドはどんな活性化関数が好きですか？

5. 疑問副詞を使った疑問文

例：Emma trained the model last night.
→ When did Emma train the model?
→ エマは昨晩いつモデルを学習しましたか？

例：Frank bought the GPU for 200,000 yen.
→ How much did Frank buy the GPU for?
→ フランクはそのGPUをいくらで買いましたか？

how の仲間

  • How do you preprocess the data?
    → どうやってデータを前処理しますか？

  • How high is the model accuracy?
    → モデルの精度はどれくらい高いですか？

  • How long does training take?
    → 学習にどれくらい時間がかかりますか？

  • How many layers are in the network?
    → ネットワークにはいくつの層がありますか？

  • How old is this dataset?
    → このデータセットはいつのものですか？

  • How far can the model generalize?
    → モデルはどの程度汎化できますか？

  • How large is the dataset?
    → データセットはどれくらい大きいですか？

  • How tall is the input image?
    → 入力画像の高さはいくつですか？

  • How much memory does the model need?
    → モデルはどれくらいメモリを必要としますか？

6. 間接疑問文

What does Alice want?
→ I don’t know what Alice wants.
→ 私はアリスが何を欲しがっているのか知らない。

Where does Bob train the model?
→ I don’t know where Bob trains the model.
→ 私はボブがどこでモデルを学習させているのか知らない。

Why is this model so accurate?
→ Please tell me why this model is so accurate.
→ なぜこのモデルがそんなに高精度なのか教えてください。

※ 間接疑問文では、疑問詞の後ろは普通の文の語順になる。
※ Do you know ～? など大きな文が疑問形の場合は文末に ? をつける。

まとめ

  • 疑問詞は具体的な情報をたずねる
  • 主語が不明なときと目的語が不明なときで形が違う
  • how には多くの組み合わせがある
  • 間接疑問文では後ろが普通の語順になる

CHECK問題

  1. いつ を表す疑問詞は何ですか。
    答え: when

  2. 誰がそのモデルを作ったのですか。 を英語にしなさい。
    答え: Who built the model?

  3. あなたはどこで学習しましたか。 を英語にしなさい。
    答え: Where did you study?

  4. I don’t know ( ) he lives. に入る語は何ですか。
    答え: where

  5. 間接疑問文では、疑問詞の後ろは疑問文の語順ですか、普通の文の語順ですか。
    答え: 普通の文の語順

第10章 命令文・感嘆文

命令文は「〜しなさい」「〜してはいけない」という指示を表す文です。
感嘆文は「なんて〜なんだ」という強い気持ちを表す文です。

画像処理エンジニアの日常

命令文

  • 主語 you を省略し、動詞の原形から始める
  • 画像処理の作業指示やコマンドの形に近い

例文
Apply the filter.
→ フィルタを適用しなさい。

Resize the image.
→ 画像をリサイズしなさい。

否定命令文

Don’t + 動詞の原形
誤処理を防ぐための注意としてよく使われる。

例文
Don’t overwrite the original image.
→ 元画像を上書きしてはいけない。

Don’t forget to normalize the data.
→ データを正規化するのを忘れてはいけない。

命令文 + and / or

  • 命令文, and ...
    〜しなさい。そうすれば...

  • 命令文, or ...
    〜しなさい。さもないと...

例文
Save your preprocessing steps, and you can reproduce the experiment.
→ 前処理手順を保存しなさい。そうすれば実験を再現できる。

Use the wrong color space, or the detection will fail.
→ 間違った色空間を使いなさい。さもないと検出は失敗する。

感嘆文

  • 驚きや感情を強調して表す文

形

How + 形容詞 / 副詞 (+ SV)!
What a[an] + 形容詞 + 名詞 (+ SV)!

例文
How sharp this edge detection is!
→ このエッジ検出はなんて鮮明なんだ。

What an impressive segmentation result!
→ なんて見事なセグメンテーション結果なんだ。

How fast the GPU runs the convolution!
→ GPUがなんて速く畳み込みを処理するんだ。

まとめ

  • 命令文は動詞原形から始める
  • 否定命令文は Don’t + 動詞原形
  • and は良い結果、or は悪い結果につながりやすい
  • 感嘆文は How ...! と What a/an ...! が基本

CHECK問題

  1. 命令文では主語 you はふつう書きますか。
    答え: いいえ

  2. 忘れるな を表す基本形を書きなさい。
    答え: Don’t forget ...

  3. How + 形容詞 / 副詞 は何の文ですか。
    答え: 感嘆文

  4. Apply the filter. は命令文ですか。
    答え: はい

  5. What an impressive result! は感嘆文ですか。
    答え: はい

第11章 不定詞①

不定詞の名詞的用法

1. 不定詞とは

不定詞は to + 動詞の原形 の形をとり、文の中で名詞・形容詞・副詞のかたまりを作る表現です。

基本形
to V

例

  • to study
  • to run
  • to debug
  • to classify

不定詞は1つの単語ではなく、「意味のまとまり」として考えると理解しやすいです。

2. 名詞的用法とは

不定詞の名詞的用法とは、to V が「〜すること」という意味で、名詞のように働く使い方です。

名詞のように働くので、文の中で次の位置に置けます。

  • S（主語）
  • O（目的語）
  • C（補語）

3. 主語になる不定詞

to V が文の主語になる形です。

例文1
To detect faces is important.
→ 顔を検出することは重要だ。

この文では、To detect faces 全体が主語です。
つまり、

To detect faces = 顔を検出すること

が文の主語になっています。

ポイント

英語では、主語が長いと少しかたく見えることがあります。
そのため、実際には後で出てくる It is ... to V の形がよく使われます。

4. 形式主語 it を使う形

不定詞が主語になると長くなりやすいので、まず It を置いて、あとから本当の主語である不定詞を出すことがあります。
これを形式主語といいます。

形
It is + 形容詞 + to V

例文2
It is wrong to mislabel images.
→ 画像に誤ラベルを付けることはよくない。

この文では、文頭の It は仮の主語です。
本当の主語は to mislabel images です。

つまり意味の中心は

to mislabel images = 画像に誤ラベルを付けること

です。

よく使う形

  • It is important to V
  • It is useful to V
  • It is difficult to V
  • It is dangerous to V
  • It is wrong to V

例文3
It is useful to check the logs before deployment.
→ デプロイ前にログを確認することは役立つ。

例文4
It is difficult to debug this pipeline.
→ このパイプラインをデバッグすることは難しい。

5. 目的語になる不定詞

to V が動詞の目的語になる形です。

例文5
She likes to preprocess datasets.
→ 彼女はデータセットを前処理することが好きだ。

この文では、likes の目的語が to preprocess datasets です。

つまり、

likes [to preprocess datasets]

という構造です。

この形をとりやすい動詞

  • like
  • want
  • hope
  • plan
  • decide
  • try
  • learn

例文6
I want to train the model again.
→ 私はそのモデルをもう一度学習させたい。

例文7
They decided to use PyTorch.
→ 彼らはPyTorchを使うことに決めた。

例文8
We plan to deploy the system next week.
→ 私たちは来週そのシステムをデプロイする予定だ。

6. 補語になる不定詞

to V が補語になり、主語の内容を説明する形です。

形
S + be動詞 + to V

例文9
My task is to classify medical images.
→ 私の仕事は医療画像を分類することです。

この文では、

My task = to classify medical images

という関係になっています。

よくある形

  • My dream is to ...
  • My goal is to ...
  • The plan is to ...
  • Our job is to ...

例文10
Our goal is to improve model accuracy.
→ 私たちの目標はモデルの精度を改善することだ。

例文11
The plan is to migrate the system to the cloud.
→ その計画はシステムをクラウドへ移行することだ。

7. 名詞的用法の3つの位置まとめ

① 主語

To detect faces is important.
→ 顔を検出することは重要だ。

② 目的語

She likes to preprocess datasets.
→ 彼女はデータセットを前処理することが好きだ。

③ 補語

My task is to classify medical images.
→ 私の仕事は医療画像を分類することです。

8. 意味上の主語

不定詞に「誰がその動作をするのか」をはっきり示したいときがあります。
そのときは for + 人 を使います。

形
It is + 形容詞 + for + 人 + to V

例文12
It is useful for beginners to learn OpenCV.
→ 初心者がOpenCVを学ぶことは有益だ。

例文13
It is necessary for engineers to annotate data correctly.
→ エンジニアがデータを正しくアノテーションすることは必要だ。

この for beginners や for engineers が、不定詞の意味上の主語です。

意味の見方

It is useful for beginners to learn OpenCV.
= Beginners learn OpenCV.
この「学ぶ人」が beginners です。

9. for + 人 + to V の重要性

次の2文を比べると違いが分かります。

It is important to test the model.
→ モデルをテストすることは重要だ。

It is important for students to test the model.
→ 学生がモデルをテストすることは重要だ。

後者では、「誰にとって」「誰がするか」がより明確になります。

10. よくある間違い

誤り

He likes preprocess datasets.

正しい形

He likes to preprocess datasets.

不定詞は to + 動詞の原形 なので、to が必要です。

誤り

It is important for learn Python.

正しい形

It is important to learn Python.

for の後ろには人が来るのが基本です。
人がないなら to learn を直接続けます。

誤り

It is useful for beginners learn OpenCV.

正しい形

It is useful for beginners to learn OpenCV.

for + 人 の後ろには to V が必要です。

11. Python・機械学習系の追加例文

例文14
To debug distributed systems takes time.
→ 分散システムをデバッグすることは時間がかかる。

例文15
It is hard to reproduce the experiment exactly.
→ その実験を正確に再現することは難しい。

例文16
She wants to fine-tune the model on a new dataset.
→ 彼女は新しいデータセットでそのモデルをファインチューニングしたい。

例文17
Their job is to monitor the training pipeline.
→ 彼らの仕事は学習パイプラインを監視することだ。

例文18
It is important for researchers to compare baselines fairly.
→ 研究者がベースラインを公平に比較することは重要だ。

12. まとめ

  • 不定詞の基本形は to + 動詞の原形
  • 名詞的用法では to V が「〜すること」という意味になる
  • 名詞のように働くので、主語・目的語・補語になれる
  • 主語が長いときは It is ... to V の形がよく使われる
  • 「誰が〜するのか」を表すときは for + 人 + to V を使う

CHECK問題

(1) データを前処理することは重要だ。
→ ( ) preprocess data is important.
答え: To

(2) 彼女はモデルを改善することを望んでいる。
→ She hopes ( ) improve the model.
答え: to

(3) 私の仕事はログを分析することです。
→ My job is ( ) analyze the logs.
答え: to

(4) 初心者がPythonを学ぶことは有益だ。
→ It is useful ( ) beginners to learn Python.
答え: for

(5) そのバグを見つけることは難しい。
→ It is difficult ( ) find the bug.
答え: to

第12章 不定詞②

形容詞的用法と不定詞の時制・意味上の主語

1. 形容詞的用法とは

不定詞の形容詞的用法とは、to + 動詞の原形 が名詞を後ろから説明する使い方です。
つまり、不定詞が形容詞のように働いて、前にある名詞を修飾します。

基本イメージ
名詞 + to V
→ 「Vするための名詞」「Vすべき名詞」「Vする名詞」

例

  • data to train the model
    モデルを訓練するためのデータ
  • something to debug
    デバッグするもの
  • a plan to deploy the system
    システムをデプロイする計画

2. 名詞を後ろから説明する不定詞

例文1
We need data to train the model.
→ モデルを訓練するためのデータが必要だ。

この文では to train the model が data を説明しています。
つまり、

data to train the model
= モデルを訓練するためのデータ

というまとまりです。

例文2
I have something to debug in the pipeline today.
→ 今日、パイプラインでデバッグすることがある。

この文では to debug in the pipeline today が something を説明しています。

例文3
They made a plan to deploy the system next month.
→ 彼らは来月システムをデプロイする計画を立てた。

この文では to deploy the system next month が plan を説明しています。

3. 形容詞的用法の意味の取り方

形容詞的用法では、前の名詞と不定詞の関係を考えることが重要です。
主に次の3パターンがあります。

① 名詞が不定詞の主語になる関係

例文
We need data to train the model.
→ モデルを訓練するためのデータが必要だ。

ここでは data が「訓練する側」ではなく、「訓練に使うもの」です。
ただ、学習上は「モデル訓練に使うデータ」という目的の関係としてとらえれば十分です。

② 名詞が不定詞の目的語になる関係

例文
I have something to debug.
→ デバッグするものがある。

この文では、something は debug の目的語です。
つまり、

debug something

という関係です。

③ 不定詞が名詞の内容を説明する関係

例文
They made a plan to deploy the system.
→ 彼らはシステムをデプロイする計画を立てた。

この文では、to deploy the system が plan の中身を説明しています。

同じような名詞

  • plan to ...
  • decision to ...
  • promise to ...
  • ability to ...
  • chance to ...

例文4
She has the ability to solve complex optimization problems.
→ 彼女には複雑な最適化問題を解く能力がある。

例文5
We made a decision to migrate the database.
→ 私たちはデータベースを移行する決定をした。

4. 自動詞のときは前置詞を残す

不定詞の動詞が自動詞のときは、必要な前置詞を落とせません。
ここは非常に重要です。

例文6
I have no cluster to run on.
→ 実行するクラスタがない。

run on a cluster という形なので、on が必要です。

例文7
This is a dataset to work with.
→ これは扱うためのデータセットだ。

work with a dataset なので with が必要です。

例文8
That is a framework to rely on.
→ あれは頼るためのフレームワークだ。

rely on a framework なので on が必要です。

比較

誤り
This is a dataset to work.

正しい形
This is a dataset to work with.

5. 不定詞の時制

不定詞にも時制の違いがあります。
基本は to V ですが、文の動詞より前のことを表したいときは完了形を使います。

基本形

to V
文の動詞と同時か、それより後のイメージ

完了形

to have + 過去分詞
文の動詞より前のことを表す

6. 不定詞の完了形

例文9
The model seems to be overfitting.
→ モデルは過学習しているように見える。

これは「今、過学習しているように見える」という意味です。

例文10
The model seems to have overfitted before regularization.
→ モデルは正則化の前に過学習していたように見える。

こちらは「見える」という現在の判断より前に、過学習が起きていたことを表します。

形の整理

  • seems to be overfitting
    今、過学習しているように見える
  • seems to have overfitted
    すでに過学習していたように見える

7. 意味上の主語

不定詞が表す動作を「誰がするのか」を明確にしたいときがあります。
そのときは for + 人 + to V を使います。

例文11
It is important for engineers to document the pipeline clearly.
→ エンジニアがパイプラインを明確に文書化することは重要だ。

例文12
We need a simple tool for beginners to use.
→ 初心者が使うための簡単なツールが必要だ。

この for beginners to use は、tool を説明しながら、同時に「使うのは初心者だ」と示しています。

8. 形容詞的用法と名詞的用法の違い

次の2文を比べると違いが分かります。

名詞的用法

To train the model is important.
→ モデルを訓練することは重要だ。

to train the model 全体が主語になっています。

形容詞的用法

We need data to train the model.
→ モデルを訓練するためのデータが必要だ。

こちらでは to train the model は data を説明しています。

つまり、

  • 名詞的用法：不定詞そのものが名詞の役割
  • 形容詞的用法：不定詞が名詞を修飾する役割

9. よく使う名詞 + 不定詞

  • something to eat
    食べるもの
  • something to read
    読むもの
  • a file to open
    開くファイル
  • a server to connect to
    接続するサーバー
  • a model to evaluate
    評価するモデル
  • a task to finish
    終えるべきタスク
  • a paper to cite
    引用する論文

例文13
I need a file to open in VS Code.
→ VS Code で開くファイルが必要だ。

例文14
She has several papers to cite in her report.
→ 彼女にはレポートで引用する論文がいくつかある。

例文15
We need a server to connect to remotely.
→ 私たちにはリモート接続するサーバーが必要だ。

10. よくある間違い

誤り

I have a server to connect.

正しい形

I have a server to connect to.

connect to a server なので to が必要です。

誤り

They made a plan deploy the system.

正しい形

They made a plan to deploy the system.

plan の後ろには to deploy の形を使います。

誤り

The model seems to have be overfitting.

正しい形

The model seems to be overfitting.
または
The model seems to have overfitted.

基本形と完了形を混ぜないことが大切です。

11. Python・機械学習系の追加例文

例文16
We need a notebook to share with the team.
→ チームと共有するためのノートブックが必要だ。

例文17
He has a bug to fix before release.
→ 彼にはリリース前に修正すべきバグがある。

例文18
This is not an easy framework to learn.
→ これは学ぶのが簡単なフレームワークではない。

例文19
The researcher seems to have discovered a better loss function.
→ その研究者はより良い損失関数を発見していたようだ。

例文20
We need documentation for new members to read.
→ 新メンバーが読むためのドキュメントが必要だ。

12. まとめ

  • 形容詞的用法の不定詞は名詞を後ろから説明する
  • 名詞 + to V の形で「〜するための名詞」「〜すべき名詞」などを表す
  • 名詞と不定詞の関係には、目的語関係・内容説明など複数の型がある
  • 自動詞のときは必要な前置詞を残す
  • 文の動詞より前のことを表すときは to have + 過去分詞 を使う
  • 「誰がするか」を示すときは for + 人 + to V を使える

CHECK問題

(1) 私たちはモデルを訓練するためのデータが必要だ。
→ We need data ( ) train the model.
答え: to

(2) 彼には今日修正するバグがある。
→ He has a bug ( ) fix today.
答え: to

(3) これは頼るためのフレームワークだ。
→ This is a framework to rely ( ).
答え: on

(4) そのモデルは以前すでに過学習していたように見える。
→ The model seems to ( ) overfitted before.
答え: have

(5) 初心者が使うための簡単なツールが必要だ。
→ We need a simple tool for beginners ( ) use.
答え: to

第13章 不定詞③

副詞的用法と原形不定詞

1. 副詞的用法とは

不定詞の副詞的用法とは、to + 動詞の原形 が動詞、形容詞、文全体などを説明する使い方です。
名詞を説明するのではなく、「なぜ」「何のために」「どんな結果で」「どの程度で」といった意味を足します。

基本イメージ
to V
→ 「〜するために」「〜して」「〜するほど」「〜するには」

2. 目的を表す不定詞

最も基本的な副詞的用法です。
「〜するために」という目的を表します。

例文1
I worked hard to optimize the loss function.
→ 損失関数を最適化するために一生懸命働いた。

この文では、to optimize the loss function が「何のために働いたのか」を説明しています。

例文2
She studied Python to build machine learning tools.
→ 彼女は機械学習ツールを作るためにPythonを勉強した。

例文3
We collected more data to improve accuracy.
→ 私たちは精度を改善するために、より多くのデータを集めた。

3. 感情の原因を表す不定詞

形容詞の後ろで、「なぜその気持ちなのか」を表します。

例文4
I am happy to see the model converging.
→ モデルが収束して嬉しい。

この文では、happy という感情の理由が to see the model converging です。

例文5
She was surprised to find a bug in the released code.
→ 彼女は公開済みコードにバグを見つけて驚いた。

例文6
They were glad to hear the training had succeeded.
→ 彼らは学習が成功したと聞いてうれしかった。

4. 判断の根拠を表す不定詞

「〜するとは」「〜するなんて」という意味で、話し手の判断や評価の根拠を表すことがあります。

例文7
He must be crazy to deploy without testing.
→ テストなしでデプロイするなんて、彼は正気じゃない。

この文では、to deploy without testing が「なぜそう判断するのか」の根拠になっています。

例文8
She was careless to ignore the warning message.
→ 警告メッセージを無視するなんて、彼女は不注意だった。

5. 結果を表す不定詞

「そして〜になった」という結果を表します。

例文9
She grew up to be a great ML engineer.
→ 彼女は成長して優れた機械学習エンジニアになった。

例文10
The startup expanded to become a global AI company.
→ そのスタートアップは成長して世界的なAI企業になった。

6. 程度を表す不定詞

enough to V や too ... to V の形でよく使います。

enough to V

「〜するのに十分...だ」

例文11
The dataset was large enough to train a transformer.
→ そのデータセットはトランスフォーマーを学習させるのに十分大きかった。

例文12
The GPU is fast enough to handle the workload.
→ そのGPUはその負荷を処理するのに十分速い。

too ... to V

「〜すぎて...できない」

例文13
This dataset is too noisy to use.
→ このデータセットはノイズが多すぎて使えない。

例文14
The batch size was too large to fit in memory.
→ そのバッチサイズは大きすぎてメモリに収まらなかった。

7. 条件に近い意味の不定詞

文全体にかかって、「〜すれば」「〜してみると」という意味になることがあります。

例文15
To read this paper, you would think it was written by an expert.
→ この論文を読めば、専門家が書いたと思うだろう。

この To read this paper は、「この論文を読んだ場合には」という条件に近い意味を持っています。

8. 不定詞の否定形

不定詞を否定するときは、not to V の形にします。

例文16
Take care not to leak private data.
→ 個人データを漏らさないように気をつけなさい。

例文17
He tried not to overfit the model.
→ 彼はモデルを過学習させないようにした。

ポイント
to not V とすることもありますが、学習段階では not to V を基本と考えるとよいです。

9. 原形不定詞とは

原形不定詞とは、to をつけずに動詞の原形だけを使う形です。
主に次の2種類と一緒に使います。

  • 使役動詞
  • 知覚動詞

10. 使役動詞 + O + 原形不定詞

使役動詞は「人に〜させる」「〜してもらう」「〜するのを許す」という意味を表します。

基本形

  • make + O + V
  • have + O + V
  • let + O + V

make O V

O に Vさせる。強制。

例文18
The professor made the students implement a CNN from scratch.
→ 教授は学生たちにゼロからCNNを実装させた。

have O V

O に Vしてもらう。依頼・手配。

例文19
We had the server team fix the GPU cluster issue.
→ GPUクラスタの問題をサーバーチームに直してもらった。

let O V

O が Vするのを許す。

例文20
The manager let the intern run the training job.
→ マネージャーは研修生に学習ジョブを実行させた。

11. 知覚動詞 + O + 原形不定詞

知覚動詞は「見る」「聞く」「感じる」などの動詞です。
人や物がある動作をするのを知覚したとき、原形不定詞を使います。

基本形

  • see + O + V
  • hear + O + V
  • feel + O + V

例文21
I saw the model fail during evaluation.
→ 評価中にモデルが失敗するのを見た。

例文22
We heard the system generate strange outputs during inference.
→ 推論中にシステムが奇妙な出力をするのを聞いた。

例文23
She felt the training process overfit after just a few epochs.
→ 彼女は学習がわずか数エポックで過学習するのを感じ取った。

12. 原形不定詞と現在分詞の違い

知覚動詞の後ろでは、原形不定詞と現在分詞の両方が出ることがあります。
意味の違いは次の通りです。

原形不定詞

動作全体を見る

I saw the model fail.
→ モデルが失敗するのを見た。

現在分詞

動作の途中を見る

I saw the model failing.
→ モデルが失敗しつつあるところを見た。

学習段階では、

  • 原形不定詞 = 動作全体
  • Ving = 動作の途中
    と整理すると分かりやすいです。

13. よくある間違い

誤り

The manager let the intern to run the job.

正しい形

The manager let the intern run the job.

let の後ろは to なしの原形不定詞です。

誤り

I saw the model to fail.

正しい形

I saw the model fail.

知覚動詞の後ろも to を使いません。

誤り

He worked hard for optimize the system.

正しい形

He worked hard to optimize the system.

目的を表すときは to V を使います。

14. Python・機械学習系の追加例文

例文24
We ran extra experiments to verify the hypothesis.
→ 私たちは仮説を検証するために追加実験を行った。

例文25
She was excited to see the benchmark results.
→ 彼女はベンチマーク結果を見て興奮した。

例文26
The bug was too subtle to notice immediately.
→ そのバグは微妙すぎてすぐには気づけなかった。

例文27
The lead engineer had the team rewrite the pipeline.
→ 主任エンジニアはチームにパイプラインを書き直してもらった。

例文28
I heard the fans spin up when training started.
→ 学習が始まったとき、ファンが回り始めるのを聞いた。

15. まとめ

  • 副詞的用法の不定詞は、動詞・形容詞・文全体を説明する
  • 主な意味は、目的、感情の原因、判断の根拠、結果、程度、条件
  • 否定は not to V
  • 原形不定詞は to をつけない不定詞
  • 原形不定詞は主に使役動詞、知覚動詞の後ろで使う
  • make / have / let + O + V、see / hear / feel + O + V の形は重要

CHECK問題

(1) 私たちは精度を上げるためにデータを集めた。
→ We collected data ( ) improve accuracy.
答え: to

(2) 彼女はその結果を見てうれしかった。
→ She was happy ( ) see the result.
答え: to

(3) そのデータセットは大きすぎて使えない。
→ The dataset was too large ( ) use.
答え: to

(4) 教授は学生たちにCNNを実装させた。
→ The professor made the students ( ) a CNN.
答え: implement

(5) 私はモデルが失敗するのを見た。
→ I saw the model ( ).
答え: fail

第14章 動名詞

動名詞の基本・不定詞との違い・重要表現

1. 動名詞とは

動名詞は、動詞に -ing をつけて名詞の働きをさせる形です。
意味は「〜すること」です。

基本形
Ving

例

  • training
  • debugging
  • tuning
  • deploying

動名詞は名詞のように働くので、文の中で次の位置に置けます。

  • 主語 S
  • 目的語 O
  • 補語 C

2. 主語になる動名詞

動名詞が文の主語になる形です。

例文1
Training models is a lot of fun.
→ モデルを訓練することはとても楽しい。

この文では、Training models 全体が主語です。

例文2
Debugging distributed systems takes a long time.
→ 分散システムをデバッグすることは長い時間がかかる。

ポイント

動名詞は「一般的な行為」や「実際の活動」を表しやすいです。
そのため、少しかたすぎず自然に聞こえることが多いです。

3. 目的語になる動名詞

動名詞が動詞の目的語になる形です。

例文3
Alice likes debugging neural networks.
→ アリスはニューラルネットワークをデバッグすることが好きだ。

例文4
We enjoy training models late at night.
→ 私たちは深夜にモデルを訓練することを楽しんでいる。

この形では、「好き」「楽しむ」「やめる」などの動詞の後ろに動名詞が来ます。

4. 補語になる動名詞

動名詞が補語になり、主語の内容を説明する形です。

例文5
My job is tuning hyperparameters.
→ 私の仕事はハイパーパラメータを調整することだ。

例文6
Our main task is cleaning the dataset.
→ 私たちの主な仕事はデータセットをきれいにすることだ。

この文では、

My job = tuning hyperparameters
Our main task = cleaning the dataset

という関係になっています。

5. 動名詞と不定詞の共通点

動名詞 Ving も不定詞 to V も、「〜すること」という意味を表せます。
そのため、どちらも名詞のように見えることがあります。

例
To train models is important.
Training models is important.
→ モデルを訓練することは重要だ。

ただし、完全に同じではなく、使える場面やニュアンスに違いがあります。

6. 動名詞と不定詞の違い

動名詞

実際の行為、経験、一般的活動としてとらえやすい

不定詞

これからすること、目的、未来的な内容としてとらえやすい

この違いは大まかな傾向です。
まずは「どの動詞の後ろにどちらが来るか」を覚える方が大切です。

7. 前置詞の後ろは動名詞

前置詞の後ろには、基本的に動名詞を使います。
ここは非常に重要です。

例文7
Bob is good at optimizing models.
→ ボブはモデル最適化が得意だ。

例文8
She is interested in building AI tools.
→ 彼女はAIツールを作ることに興味がある。

例文9
They succeeded in reducing inference time.
→ 彼らは推論時間を減らすことに成功した。

誤りやすい形

誤り
Bob is good at to optimize models.

正しい形
Bob is good at optimizing models.

at は前置詞なので、その後ろは Ving です。

8. 動名詞しか取れない動詞

次のような動詞の後ろでは、動名詞を使います。

  • stop
  • finish
  • deny
  • enjoy
  • mind
  • escape
  • give up
  • avoid
  • miss
  • admit
  • postpone
  • practice

覚え方として、元のメモにある
SFDEMEGAMAPP
を使ってもよいです。

9. 動名詞しか使えない動詞の例

stop

例文10
We stopped training the model at 100 epochs.
→ 私たちは100エポックでモデルの学習を止めた。

finish

例文11
She finished cleaning the dataset.
→ 彼女はデータセットのクリーニングを終えた。

deny

例文12
The engineer denied leaking the test labels.
→ エンジニアはテストラベルを漏らしたことを否定した。

enjoy

例文13
They enjoy tuning hyperparameters late at night.
→ 彼らは深夜にハイパーパラメータを調整するのを楽しんでいる。

mind

例文14
Do you mind me updating the repository now?
→ 今私がリポジトリを更新するのを気にしますか？

give up

例文15
We gave up training the huge model on a single GPU.
→ 私たちは巨大モデルを1枚のGPUで学習させるのを諦めた。

avoid

例文16
He avoided sharing the raw dataset for privacy reasons.
→ 彼はプライバシー上の理由で生データセットを共有するのを避けた。

admit

例文17
She admitted mislabeling some training data.
→ 彼女は一部の学習データに誤ラベルを付けたことを認めた。

postpone

例文18
We postponed deploying the new model until the bug was fixed.
→ バグが修正されるまで新モデルのデプロイを延期した。

practice

例文19
The interns practiced writing unit tests for the ML pipeline.
→ 研修生たちはMLパイプラインのユニットテストを書く練習をした。

10. 意味が変わる動詞

動名詞と不定詞のどちらも取れるが、意味が変わる動詞があります。

代表例

  • remember
  • forget
  • stop
  • try

ここではまず remember を見ます。

例文20
I remember deploying the model yesterday.
→ 昨日モデルをデプロイしたのを覚えている。

これは、すでにした行為を覚えているので、過去寄りです。

例文21
I remember to deploy the model tomorrow.
→ 明日モデルをデプロイすることを覚えている。

こちらは、これからすることを忘れない、という未来寄りの意味です。

原則

  • Ving = 過去にしたこと
  • to V = 未来にすること

11. 意味上の主語

動名詞にも「誰がその行為をするのか」を表したいことがあります。
そのときは、動名詞の前に所有格を置きます。

形
所有格 + Ving

例文22
Do you mind my updating the repository?
→ 私がリポジトリを更新することを気にしますか？

この my が、updating の意味上の主語です。

口語では目的格も使う

Do you mind me updating the repository?
→ 今私が更新するのを気にしますか？

試験や文法説明では、所有格の方が基本です。

12. 完了形動名詞

動名詞でも、文の動詞より前のことを表したいときがあります。
そのときは having + 過去分詞 を使います。

例文23
He is proud of having published a paper on deep learning.
→ 彼はディープラーニングの論文を発表したことを誇りに思っている。

この文では、「誇りに思っている」より前に「発表した」が起きています。

13. 動名詞の否定形

否定は not + Ving です。

例文24
The team insisted on not using biased data.
→ チームはバイアスのかかったデータを使わないことを主張した。

完了形の否定

not having + 過去分詞

例文25
She is proud of not having failed the Kaggle competition.
→ 彼女はKaggle大会で失敗しなかったことを誇りに思っている。

14. 重要表現

It is no use Ving

Vしても無駄だ

例文26
It is no use training a model without data.
→ データなしでモデルを訓練しても無駄だ。

look forward to Ving

Vするのを楽しみにする

例文27
I look forward to presenting our research at NeurIPS.
→ NeurIPSで研究を発表するのを楽しみにしている。

※ to が前置詞なので、後ろは動名詞です。

There is no Ving

Vすることはできない

例文28
There is no predicting user behavior perfectly.
→ ユーザー行動を完全に予測することはできない。

on Ving

Vするとすぐに

例文29
On receiving the dataset, we started preprocessing.
→ データセットを受け取るとすぐに前処理を始めた。

15. よくある間違い

誤り

He enjoys to tune hyperparameters.

正しい形

He enjoys tuning hyperparameters.

enjoy の後ろは動名詞です。

誤り

She is good at to debug models.

正しい形

She is good at debugging models.

前置詞 at の後ろは動名詞です。

誤り

Do you mind me to update the repository?

正しい形

Do you mind my updating the repository?
または
Do you mind me updating the repository?

mind の後ろは動名詞です。

16. Python・機械学習系の追加例文

例文30
Collecting clean data is often harder than training the model itself.
→ きれいなデータを集めることは、モデル自体を学習させることより難しいことが多い。

例文31
They avoided using unstable libraries in production.
→ 彼らは本番環境で不安定なライブラリを使うのを避けた。

例文32
I remember reading that paper during my first year.
→ 私は1年目のときにその論文を読んだのを覚えている。

例文33
She is interested in applying reinforcement learning to robotics.
→ 彼女は強化学習をロボティクスに応用することに興味がある。

例文34
We are proud of having reduced latency by 40 percent.
→ 私たちはレイテンシを40パーセント削減したことを誇りに思っている。

17. まとめ

  • 動名詞は Ving の形で「〜すること」を表す
  • 名詞のように働くので、主語・目的語・補語になれる
  • 前置詞の後ろには動名詞を使う
  • 動名詞しか取れない動詞がある
  • 動名詞と不定詞で意味が変わる動詞もある
  • 意味上の主語は所有格で表すのが基本
  • 完了形は having + 過去分詞
  • 否定形は not + Ving

CHECK問題

(1) モデルを訓練することは楽しい。
→ ( ) models is fun.
答え: Training

(2) 彼はそのバグを認めた。
→ He admitted ( ) the bug.
答え: causing / making

(3) ボブはモデル最適化が得意だ。
→ Bob is good at ( ) models.
答え: optimizing

(4) 私が今更新するのを気にしますか。
→ Do you mind ( ) updating the repository now?
答え: my

(5) 彼女は論文を発表したことを誇りに思っている。
→ She is proud of ( ) published a paper.
答え: having

第15章 分詞①

形容詞のかたまりを作る Ving と Vpp

分詞は、動詞を変化させて形容詞のように使う表現です。
名詞を説明したいときにとても重要です。
動名詞は「名詞の働き」、分詞は「形容詞の働き」と考えると区別しやすくなります。

1. 分詞とは

分詞には主に2種類あります。

  • 現在分詞：Ving
  • 過去分詞：Vpp

分詞は、名詞を説明して「どんな名詞か」を表します。

例

  • running process
    実行中のプロセス
  • trained model
    訓練されたモデル

2. 現在分詞 Ving

現在分詞は、名詞が「〜している」「〜する側である」という意味を表しやすいです。

例文1
The running process is consuming too much memory.
→ 実行中のプロセスがメモリを消費しすぎている。

この running は process を説明しています。
つまり、

process = running

という関係です。

3. 過去分詞 Vpp

過去分詞は、名詞が「〜される」「〜された」という意味を表しやすいです。

例文2
The trained model is ready for deployment.
→ 訓練されたモデルはデプロイの準備ができている。

この trained は model を説明しています。
つまり、

model = trained

という関係です。

4. Ving と Vpp の基本ルール

Ving

名詞がその動作をする、している

Vpp

名詞がその動作をされる、された

例

  • a running experiment
    実行中の実験
  • a broken script
    壊れたスクリプト
  • a trained model
    訓練されたモデル
  • an exciting result
    わくわくさせる結果

5. 名詞を前から修飾する分詞

分詞が1語だけのときは、ふつう名詞の前に置きます。

例文3
The running process is consuming too much memory.
→ 実行中のプロセスがメモリを消費しすぎている。

例文4
The trained model is ready for deployment.
→ 訓練されたモデルはデプロイの準備ができている。

例文5
The broken pipeline needs to be fixed.
→ 壊れたパイプラインは修正が必要だ。

例文6
The growing dataset requires more storage.
→ 増え続けているデータセットは、より多くの保存領域を必要とする。

6. 名詞を後ろから修飾する分詞

分詞が長いかたまりになると、名詞の後ろに置くことが多いです。

例文7
The datasets stored in the cloud are huge.
→ クラウドに保存されたデータセットは巨大だ。

この文では、stored in the cloud 全体が datasets を説明しています。

例文8
Check the logs generated by the training script.
→ 訓練スクリプトによって生成されたログを確認しなさい。

この文では、generated by the training script が logs を説明しています。

例文9
The model trained on this dataset performs well.
→ このデータセットで訓練されたモデルは高性能だ。

例文10
The engineers working on the project are very busy.
→ そのプロジェクトに取り組んでいるエンジニアたちはとても忙しい。

7. 前から修飾と後ろから修飾の違い

前から修飾

短い1語の分詞が多い

  • a trained model
  • a running process

後ろから修飾

語が長くなると名詞の後ろに置く

  • the model trained on this dataset
  • the logs generated by the script

つまり、

  • 短い → 前
  • 長い → 後ろ

と考えると分かりやすいです。

8. 不定詞との違い

分詞と不定詞はどちらも名詞を説明できますが、意味が少し違います。

分詞

今進行中、またはすでにそうなっている感じ

不定詞

これから〜する、未来的な感じ

例
a running experiment
→ 実行中の実験

an experiment to run
→ これから実行する実験

a trained model
→ すでに訓練されたモデル

a model to train
→ これから訓練するモデル

9. 分詞と動名詞の違い

同じ Ving でも、動名詞と分詞は役割が違います。

動名詞

名詞として働く

Training models is fun.
→ モデルを訓練することは楽しい。

ここでは Training models は主語です。

分詞

形容詞として働く

The training model is unstable.
→ 学習中のモデルは不安定だ。

ここでは training は model を説明しています。

10. 意味で見分けるコツ

Ving を見たときは、まず次のどちらかを考えます。

  • 「〜すること」と訳せる → 動名詞
  • 「〜している / 〜する」と名詞を説明している → 分詞

例
Debugging code is hard.
→ コードをデバッグすることは難しい。
これは動名詞。

The debugging code is incomplete.
→ デバッグ中のコードは不完全だ。
これは分詞。

11. よくある間違い

誤り

The train model is ready.

正しい形

The trained model is ready.

「訓練されたモデル」なので過去分詞 trained が必要です。

誤り

The running by the script logs were large.

正しい形

The logs generated by the script were large.

logs は「生成される側」なので generated を使います。

誤り

an experiment running tomorrow

正しい形

an experiment to run tomorrow

未来の予定なら、不定詞の方が自然です。

12. Python・機械学習系の追加例文

例文11
The failing model needs more regularization.
→ うまくいっていないモデルには、より強い正則化が必要だ。

例文12
The generated embeddings were stored in a vector database.
→ 生成された埋め込みはベクトルデータベースに保存された。

例文13
The engineers building the new pipeline are in the lab.
→ 新しいパイプラインを構築しているエンジニアたちは研究室にいる。

例文14
The uploaded file contains benchmark results.
→ アップロードされたファイルにはベンチマーク結果が含まれている。

例文15
The growing demand for GPUs affects training schedules.
→ GPU需要の増加は学習スケジュールに影響する。

13. まとめ

  • 分詞は動詞を形容詞のように使う表現
  • 現在分詞 Ving は「〜している」「〜する側」
  • 過去分詞 Vpp は「〜される」「〜された」
  • 短い分詞は名詞の前に置く
  • 長い分詞句は名詞の後ろに置く
  • 分詞は名詞を説明する
  • 不定詞は未来的、分詞は進行中または完了した感じを表しやすい
  • 動名詞と分詞は役割が違う

CHECK問題

  1. trained model は「訓練するモデル」ですか、「訓練されたモデル」ですか。
    答え: 訓練されたモデル

  2. running process は Ving と Vpp のどちらですか。
    答え: Ving

  3. The logs generated by the script の generated by the script は何を説明していますか。
    答え: logs

  4. a model to train は「すでに訓練されたモデル」ですか、「これから訓練するモデル」ですか。
    答え: これから訓練するモデル

  5. Training models is useful. の Training は動名詞ですか、分詞ですか。
    答え: 動名詞

第16章 分詞②

補語になる Ving と Vpp

前の章では、分詞が名詞を説明して「形容詞のかたまり」を作る使い方を見ました。
この章では、分詞が補語になって、主語や目的語の状態を説明する使い方を学びます。

1. 分詞は補語にもなれる

補語 C は、主語や目的語を説明して意味を補う語です。
分詞は形容詞の働きをするので、補語として使えます。

つまり、分詞は

  • 名詞を修飾する
  • 主語や目的語の状態を説明する

という2つの大きな使い方があります。

2. SVC の C に分詞が来る形

S + V + C の文では、補語 C が主語 S を説明します。
ここに分詞が来ることがあります。

Ving が来る場合

主語が「〜している」状態

例文1
The server is running.
→ サーバーは稼働している。

この文では

The server = running

という関係です。

Vpp が来る場合

主語が「〜された」「〜している状態にある」

例文2
The model looks overfitted.
→ そのモデルは過学習しているように見える。

この文では

The model = overfitted

という関係です。

3. Ving と Vpp の見分け方

基本ルールは前章と同じです。

Ving

主語や目的語が、その動作をする・している

Vpp

主語や目的語が、その動作をされる・された状態にある

例
The engine is running.
→ エンジンは動いている。

The window is broken.
→ 窓は壊れている。

The script seems confusing.
→ そのスクリプトは分かりにくい。

The user looks confused.
→ そのユーザーは混乱しているように見える。

4. SVOC の C に分詞が来る形

S + V + O + C の文では、補語 C が目的語 O を説明します。
ここでも分詞を使えます。

Ving が来る場合

例文3
I saw the GPU running.
→ 私はGPUが動いているのを見た。

この文では

the GPU = running

という関係です。

つまり、「GPUが動いている状態」を見たわけです。

Vpp が来る場合

例文4
The engineer heard his code reviewed by the team.
→ そのエンジニアは、自分のコードがチームにレビューされるのを聞いた。

この文では

his code = reviewed

という関係です。

つまり、「コードがレビューされる状態」を表しています。

5. SVOC でよく使う動詞

分詞を補語に取る SVOC では、特に知覚動詞がよく使われます。

  • see
  • hear
  • watch
  • find
  • feel
  • keep
  • leave

例文

例文5
We found the server running all night.
→ 私たちは、そのサーバーが一晩中動いているのを見つけた。

例文6
She kept the model training for hours.
→ 彼女はそのモデルを何時間も学習させ続けた。

例文7
He left the window closed.
→ 彼は窓を閉めたままにしておいた。

この場合、closed は過去分詞ですが、「窓が閉じられた状態」を表しています。

6. with + O + C の形

分詞は with + 目的語 + 補語 の形でもよく使われます。
これを「付帯状況の with」と呼びます。

意味は「〜しながら」「〜の状態で」です。

with + O + Ving

例文8
She trained the model with the GPU running.
→ 彼女はGPUを動かしながらモデルを訓練した。

この文では

the GPU = running

です。

with + O + Vpp

例文9
He left the meeting with the issue unresolved.
→ 彼は課題を未解決のまま会議を終えた。

この文では

the issue = unresolved

です。

7. with + O + C の感覚

with + O + C は、主文に追加で状況をつけ足す表現です。

例
She studied with the window open.
→ 彼女は窓を開けたまま勉強した。

He worked with music playing in the background.
→ 彼はバックグラウンドで音楽が流れる中、作業した。

この形では、open や playing が目的語の状態を説明しています。

8. 分詞を使った慣用表現

keep (on) Ving

Vし続ける

例文10
The system keeps learning from new data.
→ システムは新しいデータから学び続ける。

be busy Ving

忙しくVしている

例文11
Alice is busy debugging the model.
→ アリスはモデルのデバッグで忙しい。

spend 時間 Ving

Vして時間を過ごす

例文12
We spent hours tuning the hyperparameters.
→ 私たちはハイパーパラメータ調整に数時間を費やした。

make oneself understood

理解してもらう

例文13
The researcher made himself understood at the conference.
→ 研究者は学会で自分の考えを理解してもらった。

この表現では、understood が補語で、himself の状態を表しています。

9. 原形不定詞との違い

前の章で学んだ原形不定詞と、分詞補語は似ています。
特に知覚動詞の後ろでは区別が必要です。

原形不定詞

動作全体を見る

I saw the model fail.
→ モデルが失敗するのを見た。

分詞

動作の途中・進行中の状態を見る

I saw the model failing.
→ モデルが失敗しつつあるところを見た。

この違いは重要です。

  • 原形不定詞 = 動作全体
  • Ving = 動作の途中

10. 形容詞との違い

分詞は形容詞のように働きますが、もともとは動詞由来なので、動きや状態のニュアンスが残っています。

例
The server is active.
→ サーバーはアクティブだ。
これは普通の形容詞。

The server is running.
→ サーバーは動いている。
これは分詞で、「動作中」の感じが強い。

11. よくある間違い

誤り

I saw the GPU runnning.

正しい形

I saw the GPU running.

つづりミスに注意します。

誤り

He left the issue unresolvedly.

正しい形

He left the issue unresolved.

ここは副詞ではなく、補語としての分詞が必要です。

誤り

The model is overfittinged.

正しい形

The model is overfitting.
または
The model looks overfitted.

overfittinged のような形は作りません。

12. Python・機械学習系の追加例文

例文14
I found the training pipeline working smoothly.
→ 私は学習パイプラインが順調に動いているのを確認した。

例文15
We left the benchmark unfinished until the next meeting.
→ 私たちはベンチマークを次の会議まで未完了のままにした。

例文16
The server stayed overloaded during the experiment.
→ 実験中、そのサーバーは過負荷の状態が続いた。

例文17
She coded with multiple monitors connected.
→ 彼女は複数のモニターを接続した状態でコーディングした。

例文18
They kept the model running overnight.
→ 彼らはそのモデルを一晩中動かし続けた。

13. まとめ

  • 分詞は補語としても使える
  • SVC では分詞が主語の状態を説明する
  • SVOC では分詞が目的語の状態を説明する
  • Ving は「〜している」
  • Vpp は「〜された状態」
  • with + O + C は付帯状況を表す
  • 原形不定詞は動作全体、分詞は途中の状態を表しやすい
  • 慣用表現 keep Ving, be busy Ving, spend 時間 Ving も重要

CHECK問題

  1. The server is running. の running は何を説明していますか。
    答え: The server

  2. I saw the GPU running. の running は何を説明していますか。
    答え: the GPU

  3. with the window closed は「窓が閉める」ですか、「窓が閉まった状態で」ですか。
    答え: 窓が閉まった状態で

  4. I saw the model fail. と I saw the model failing. の違いは何ですか。
    答え: fail は動作全体、failing は動作の途中

  5. Alice is busy debugging the model. の debugging はどの慣用表現に入っていますか。
    答え: be busy Ving

第17章 分詞構文①

副詞のかたまりを作る Ving と Vpp

分詞構文は、分詞を使って文全体に意味を付け足す表現です。
これまでの分詞は、名詞を説明したり、補語になったりしていました。
ここでは、分詞が副詞のように働いて、「いつ」「なぜ」「もし〜なら」「〜しながら」などを表す使い方を学びます。

1. 分詞構文とは

分詞構文とは、接続詞を使った副詞節を短くして、Ving や Vpp で表す形です。

たとえば、

Because the script was failing, we stopped the test.
→ スクリプトが失敗していたので、私たちはテストを中止した。

これを短くすると、

Failing, we stopped the test.

のような形に近づきます。
ただし、実際には主語の一致や意味の自然さに注意が必要です。

分詞構文は、文を短く、やや書き言葉的にする表現です。

2. 分詞構文の作り方

基本の流れは次の通りです。

  1. 副詞節の接続詞を省く
  2. 動詞を Ving または Vpp にする
  3. 主語が主節と同じなら省く
  4. 時制が主節より前なら having + 過去分詞 を使うことがある

3. まず普通の副詞節を確認する

例文1
Because the script was failing, we stopped the test.
→ スクリプトが失敗していたので、私たちはテストを中止した。

ここでは Because the script was failing が理由を表す副詞節です。

例文2
When he was coding, he forgot the meeting.
→ コードを書いているとき、彼は会議を忘れた。

ここでは When he was coding が時を表す副詞節です。

4. 分詞構文が表す意味

分詞構文は、主に次の意味を表します。

  • 理由
  • 時
  • 条件
  • 譲歩
  • 結果
  • 付帯状況

接続詞が消えるので、意味は文脈で判断します。

5. 理由を表す分詞構文

「〜なので」「〜だから」という意味です。

例文3
Because the script was failing, we stopped the test.
→ Failing, we stopped the test.
→ スクリプトが失敗していたので、私たちはテストを中止した。

ただし、この変形は少し不自然です。
より自然にするなら、主語を明示して

The script failing, we stopped the test.

のように考えることもありますが、これもかなり書き言葉です。

より自然な学習例としては、主語がそろう文の方が分かりやすいです。

例文4
Because I was feeling tired, I stopped debugging.
→ Feeling tired, I stopped debugging.
→ 疲れていたので、私はデバッグをやめた。

この文では、主節の主語 I と、分詞構文の意味上の主語が同じです。

6. 時を表す分詞構文

「〜するとき」「〜しているとき」という意味です。

例文5
When he was coding, he forgot the meeting.
→ Coding, he forgot the meeting.
→ コードを書いているとき、彼は会議を忘れた。

例文6
When she was checking the logs, she found the bug.
→ Checking the logs, she found the bug.
→ ログを確認しているとき、彼女はバグを見つけた。

ここでは Checking the logs が「〜しているとき」の意味になります。

7. 条件を表す分詞構文

「もし〜なら」という意味です。

例文7
If optimized, the function runs faster.
→ 最適化されれば、その関数は速く動く。

この文では If it is optimized が省略されたような形です。
受け身なので Vpp が使われています。

例文8
Used correctly, this library can save a lot of time.
→ 正しく使えば、このライブラリは多くの時間を節約できる。

この Used correctly も条件に近い意味です。

8. 譲歩を表す分詞構文

「〜だけれども」「〜していても」という意味です。

例文9
Though running the program, he didn’t get correct output.
→ プログラムを走らせたけれど、正しい出力は得られなかった。

ただし、この英文はやや不自然です。
学習用としては意味理解には役立ちますが、自然な英文なら次の方が分かりやすいです。

例文10
Knowing the theory, he still made a basic mistake.
→ 理論を知っていたのに、彼はなお基本的なミスをした。

ここでは「知っていたけれども」という譲歩の感じがあります。

9. 結果を表す分詞構文

「そしてその結果〜した」という意味です。

例文11
He forgot to close the file, and it caused an error.
→ Forgetting to close the file, he caused an error.
→ ファイルを閉じ忘れて、エラーを起こした。

このタイプは「理由」にも近く、文脈で判断します。

10. 付帯状況を表す分詞構文

「〜しながら」「〜して」という意味です。

例文12
He explained the code as he was debugging it.
→ Explaining the code, he was debugging it.
→ コードを説明しながら、彼はデバッグしていた。

例文13
She walked into the room smiling.
→ 彼女は笑顔で部屋に入ってきた。

このように、「どんな様子で」「何をしながら」という意味で使われます。

11. 主語が同じ場合

分詞構文では、主節と分詞構文の主語が同じとき、分詞構文の主語を省略します。
これが基本です。

例文14
When I opened the notebook, I found an error.
→ Opening the notebook, I found an error.
→ ノートブックを開いたとき、私はエラーを見つけた。

この文では、open するのも found するのも I です。

12. 主語が違う場合

分詞構文の意味上の主語が主節の主語と違うときは、その主語を残すことがあります。
これを独立分詞構文と考えることもできます。

例文15
As the server was down, we couldn’t push code.
→ The server being down, we couldn’t push code.
→ サーバーが落ちていたので、私たちはコードをプッシュできなかった。

ここでは、

  • 主節の主語：we
  • 分詞構文の主語：the server

なので、the server を省略できません。

13. being を使う形

be動詞 を含む副詞節を分詞構文にすると、being が出ることがあります。

例文16
As he was tired, he stopped working.
→ Being tired, he stopped working.
→ 疲れていたので、彼は作業をやめた。

ただし、being は省かれることも多いです。

Tired, he stopped working.

のような形もよく使われます。

14. 時制が違う場合 having + 過去分詞

分詞構文が、主節より前に終わったことを強調するときは
having + 過去分詞 を使います。

例文17
After she had fixed the bug, she deployed the system.
→ Having fixed the bug, she deployed the system.
→ バグを直したあとで、彼女はシステムをデプロイした。

ここでは、「直す」が「デプロイする」より先です。

例文18
After I had checked the logs, I restarted the service.
→ Having checked the logs, I restarted the service.
→ ログを確認したあとで、私はサービスを再起動した。

15. 主語が違い、時制も違う場合

主語が違い、しかも主節より前のことなら、主語を残して having + 過去分詞 を使うことがあります。

例文19
As the test had failed, we rolled back the release.
→ The test having failed, we rolled back the release.
→ テストが失敗していたので、私たちはリリースをロールバックした。

ここでは

  • 主語 the test
  • 分詞形 having failed

になっています。

16. 分詞構文を読むコツ

分詞構文を見たら、まず次を考えます。

  1. 主節の主語と同じか
  2. Ving か Vpp か
  3. 文脈上、意味は理由・時・条件・譲歩・結果・付帯状況のどれか

たとえば、

Having fixed the bug, she deployed the system.

なら

  • 主語は she
  • having fixed なので主節より前
  • 意味は「〜したあとで」

と判断できます。

17. よくある間違い

誤り

Being running, the server could not stop.

正しい形

Running, the server could not stop.
または
As the server was running, ...

running 自体が進行を表すので、being running はふつう不自然です。

誤り

Opening the notebook, an error was found.

問題点

この文だと、開いたのが an error のように読めてしまいます。
分詞構文の主語と主節の主語が一致していないからです。

正しい形

Opening the notebook, I found an error.

誤り

Having fix the bug, she deployed the system.

正しい形

Having fixed the bug, she deployed the system.

having の後ろは過去分詞です。

18. Python・機械学習系の追加例文

例文20
Checking the metrics, the engineer noticed overfitting.
→ 指標を確認して、エンジニアは過学習に気づいた。

例文21
Having trained the model overnight, we finally got stable results.
→ 一晩かけてモデルを学習し、私たちはついに安定した結果を得た。

例文22
Used carefully, this optimizer improves convergence.
→ 注意して使えば、このオプティマイザは収束を改善する。

例文23
The server being unavailable, the team postponed the experiment.
→ サーバーが使えなかったので、チームは実験を延期した。

例文24
Watching the loss curve, she realized the learning rate was too high.
→ 損失曲線を見ながら、彼女は学習率が高すぎると気づいた。

19. まとめ

  • 分詞構文は、分詞が副詞のように働く表現
  • 接続詞を含む副詞節を短くした形と考えられる
  • 主な意味は 理由・時・条件・譲歩・結果・付帯状況
  • 主語が主節と同じなら省略する
  • 主語が違うなら残すことがある
  • 主節より前のことは having + 過去分詞
  • Ving だけでなく Vpp も使える
  • 主語のねじれに注意する

CHECK問題

  1. 分詞構文は、分詞が何のように働く表現ですか。
    答え: 副詞

  2. Having fixed the bug, she deployed the system. では、どちらが先ですか。
    答え: バグを直したこと

  3. Used correctly, this tool saves time. の Used correctly はどんな意味ですか。
    答え: 条件「正しく使えば」

  4. The server being down, we stopped the test. では、分詞構文の主語は何ですか。
    答え: the server

  5. Opening the file, an error was found. はなぜ不自然ですか。
    答え: 分詞構文の主語と主節の主語が一致していないから

第18章 分詞構文②

Vpp の分詞構文・否定形・慣用表現

前の章では、分詞構文の基本と、Ving を使った形を中心に見ました。
この章では、Vpp を使う分詞構文、否定形、そしてよく出る慣用表現を整理します。

1. Vpp を使う分詞構文とは

分詞構文は Ving だけでなく、Vpp でも作れます。
特に、もとの副詞節が受動態のときは Vpp になりやすいです。

つまり、

  • 主語が「〜する側」なら Ving
  • 主語が「〜される側」なら Vpp

となります。

2. 受動態の副詞節から Vpp の分詞構文を作る

例文1
As the code was written in Python, it was easy to maintain.
→ Written in Python, the code was easy to maintain.
→ Pythonで書かれていたので、そのコードは保守しやすかった。

この文では、the code は「書く側」ではなく「書かれる側」です。
だから writing ではなく written を使います。

3. Vpp の分詞構文の基本感覚

Vpp の分詞構文は、主語が「〜された状態」であることを前提に、主節へつなげます。

例文2
Used correctly, this library saves a lot of time.
→ 正しく使えば、このライブラリは多くの時間を節約できる。

ここでは this library が「使われる側」です。
そのため Used correctly になっています。

例文3
Compared with the baseline, this model performs better.
→ ベースラインと比べると、このモデルの方が高性能だ。

この Compared with ... も Vpp を使った分詞構文です。

4. Ving と Vpp の分詞構文の違い

Ving

主語がその動作をする

例
Checking the logs, I found the error.
→ ログを確認して、私はエラーを見つけた。

ここでは I が check する側です。

Vpp

主語がその動作をされる

例
Written in Python, the code is easy to read.
→ Pythonで書かれているので、そのコードは読みやすい。

ここでは the code が write される側です。

5. Vpp が表す意味

Vpp の分詞構文も、文脈によっていろいろな意味を表します。

  • 理由
  • 条件
  • 時
  • 譲歩
  • 付帯状況

接続詞がないため、意味は前後から判断します。

6. 理由を表す Vpp

例文4
Written in Python, the code was easy to maintain.
→ Pythonで書かれていたので、そのコードは保守しやすかった。

これは「〜なので」という理由です。

例文5
Trained on a larger dataset, the model achieved higher accuracy.
→ より大きなデータセットで訓練されたので、そのモデルはより高い精度を達成した。

7. 条件を表す Vpp

例文6
Used carefully, this tool can improve productivity.
→ 注意して使えば、このツールは生産性を高めることができる。

例文7
Configured properly, the pipeline runs smoothly.
→ 適切に設定すれば、そのパイプラインはスムーズに動く。

このタイプは「もし〜されれば」に近い意味です。

8. 時を表す Vpp

例文8
Asked about the result, she explained the whole experiment.
→ 結果について尋ねられると、彼女は実験全体を説明した。

この Asked about the result は「尋ねられたとき」という時の意味です。

9. 譲歩を表す Vpp

例文9
Surrounded by experts, he still spoke confidently.
→ 専門家に囲まれていたが、それでも彼は自信を持って話した。

このように、「〜されていても」「〜の状況でも」という譲歩の意味になることがあります。

10. 分詞構文の否定形

分詞構文を否定するときは、ふつう Not を前に置きます。

Not + Ving

例文10
Because I didn’t check the log, I couldn’t find the error.
→ Not checking the log, I couldn’t find the error.
→ ログを確認しなかったので、私はエラーを見つけられなかった。

Not + having + 過去分詞

主節より前のことを否定するときは、この形も使えます。

例文11
As I had not backed up the data, I lost everything.
→ Not having backed up the data, I lost everything.
→ データをバックアップしていなかったので、私はすべて失った。

Not + Vpp

Vpp の分詞構文でも、否定を前に置くことがあります。

例文12
Not informed of the change, the team continued the old procedure.
→ 変更を知らされていなかったので、チームは古い手順を続けた。

11. having been + Vpp

受け身で、しかも主節より前のことを表したいときは
having been + 過去分詞
を使うことがあります。

例文13
Having been trained on noisy data, the model performed poorly.
→ ノイズの多いデータで訓練されていたため、そのモデルはうまく機能しなかった。

これはかなり書き言葉的ですが、形としては重要です。

12. 分詞構文の慣用表現

分詞構文には、ほとんど決まった言い方として覚える表現があります。
これらは主語との一致をあまり気にせず、そのまま使われることが多いです。

13. generally speaking

「一般的に言えば」

例文14
Generally speaking, deep learning models need large datasets.
→ 一般的に言えば、ディープラーニングモデルには大規模データセットが必要だ。

例文15
Generally speaking, Python is slower than C++.
→ 一般的に言えば、PythonはC++より遅い。

14. strictly speaking

「厳密に言えば」

例文16
Strictly speaking, accuracy is not a good metric for imbalanced datasets.
→ 厳密に言えば、精度は不均衡データセットに適した指標ではない。

15. frankly speaking

「率直に言えば」

例文17
Frankly speaking, this baseline model will not beat GPT-level performance.
→ 率直に言えば、このベースラインモデルがGPTレベルの性能に勝つことはないだろう。

16. judging from ~

「〜から判断すると」

例文18
Judging from the learning curve, the model is overfitting after 20 epochs.
→ 学習曲線から判断すると、そのモデルは20エポック以降に過学習している。

例文19
Judging from the error message, the bug is in the API.
→ エラーメッセージから判断すると、そのバグはAPIにある。

17. considering ~

「〜を考慮すると」

例文20
Considering the limited GPU memory, we should use gradient checkpointing.
→ GPUメモリが限られていることを考慮すると、勾配チェックポイントを使うべきだ。

例文21
Considering the budget, this plan is reasonable.
→ 予算を考慮すると、この計画は妥当だ。

18. 慣用表現の特徴

これらの表現は、もともと分詞構文ですが、ほぼ副詞句のように固定表現として使われます。

  • Generally speaking, ...
  • Strictly speaking, ...
  • Frankly speaking, ...
  • Judging from ..., ...
  • Considering ..., ...

学習の初期では、「1つのかたまり」として覚えるのが有効です。

19. 接続詞との関係を整理する

ここまでの分詞構文を、もとの接続詞で整理すると分かりやすいです。

副詞のかたまりを作る接続詞

  • because
  • when
  • if
  • though
  • as

例
As the build failed, we stopped the release.
→ ビルドが失敗したので、私たちはリリースを止めた。

名詞のかたまりを作る接続詞

  • that
  • whether
  • if

例
I think that Python is easier than Java.
→ 私はPythonはJavaより簡単だと思う。

並列の接続詞

  • and
  • but
  • or

例
The code is clean and runs fast.
→ そのコードはきれいで、しかも速く動く。

分詞構文は、このうち「副詞のかたまりを作る接続詞」と関係が深いです。

20. よくある間違い

誤り

Writing in Python, the code was easy to maintain.

正しい形

Written in Python, the code was easy to maintain.

the code は「書く側」ではなく「書かれる側」だからです。

誤り

Not checked the log, I couldn’t find the bug.

正しい形

Not checking the log, I couldn’t find the bug.
または
Not having checked the log, I couldn’t find the bug.

否定の分詞構文では、Not + Ving または Not having + 過去分詞 を使います。

誤り

Judged from the error message, the bug is in the API.

学習上の基本

Judging from the error message, ...

慣用表現として Judging from をそのまま覚える方が安全です。

21. Python・機械学習系の追加例文

例文22
Configured incorrectly, the model server may return wrong outputs.
→ 設定を誤ると、モデルサーバーは誤った出力を返すことがある。

例文23
Not having tested the pipeline thoroughly, we missed several edge cases.
→ パイプラインを十分にテストしていなかったので、私たちはいくつかの境界事例を見落とした。

例文24
Judging from the benchmark results, the new optimizer is promising.
→ ベンチマーク結果から判断すると、新しいオプティマイザは有望だ。

例文25
Considering the latency requirement, we should simplify the model.
→ レイテンシ要件を考えると、私たちはモデルを簡単にすべきだ。

例文26
Trained with more diverse data, the model generalized better.
→ より多様なデータで訓練されたので、そのモデルはよりよく汎化した。

22. まとめ

  • 分詞構文は Ving だけでなく Vpp でも作れる
  • Vpp は主語が「〜される側」のときに使いやすい
  • 意味は 理由・条件・時・譲歩 など
  • 否定は Not + Ving、Not having + 過去分詞 など
  • 受け身で主節より前のことは having been + Vpp
  • generally speaking, judging from, considering などは重要な慣用表現
  • 分詞構文は副詞節を短くした表現として理解すると分かりやすい

CHECK問題

  1. Written in Python, the code was easy to maintain. の Written は Ving と Vpp のどちらですか。
    答え: Vpp

  2. Not checking the log, I couldn’t find the error. は何を表していますか。
    答え: 否定の分詞構文

  3. Judging from the learning curve, ... はどんな意味ですか。
    答え: 〜から判断すると

  4. Considering the budget, ... はどんな意味ですか。
    答え: 〜を考慮すると

  5. Having been trained on noisy data, the model performed poorly. は、主節より前の受け身を表していますか。
    答え: はい

第19章 関係代名詞①

名詞を後ろから説明する文を作る

関係代名詞は、名詞のあとに説明をつなげて、1つの文の中で「どんな人か」「どんな物か」を詳しく表すための語です。
日本語では「〜する人」「〜された物」のように後ろから説明する感覚です。

1. 関係代名詞とは

関係代名詞は、前にある名詞を後ろから説明するために使います。
この前の名詞を 先行詞 といいます。

例文1
I built a model that predicts images well.
→ 私は画像をよく予測するモデルを作った。

この文では a model が先行詞です。
that predicts images well が、そのモデルを説明しています。

つまり、

  • a model = 名詞
  • that predicts images well = その名詞を後ろから説明する部分

です。

2. 関係代名詞の基本イメージ

関係代名詞は、もともと2文だった内容を1文にまとめる働きをします。

2文で考える

I know an engineer.
He works on reinforcement learning.

1文にまとめる

I know an engineer who works on reinforcement learning.
→ 私は強化学習を研究しているエンジニアを知っている。

ここでは who が an engineer を受けて、後ろの説明をつないでいます。

3. 関係代名詞の種類

関係代名詞には、主に次のものがあります。

  • who
  • which
  • that
  • whose
  • whom

使い分けの基本は次の通りです。

  • 人に使う：who, whom, that
  • 物・動物に使う：which, that
  • 所有を表す：whose

4. 主格の関係代名詞

主格の関係代名詞は、関係詞節の中で主語になる形です。

人を説明する who

例文2
I know an engineer who works on reinforcement learning.
→ 私は強化学習を研究しているエンジニアを知っている。

この文では、who が works の主語です。

もとの形を考えると、

I know an engineer.
He works on reinforcement learning.

この He が who に変わっています。

物を説明する which

例文3
The dataset which is stored on Kaggle is public.
→ Kaggleに保存されているデータセットは公開されている。

この文では、which が is stored の主語です。

もとの形は、

The dataset is public.
It is stored on Kaggle.

のように考えられます。

that も使える

人にも物にも that を使えることがあります。

例文4
I know an engineer that works on reinforcement learning.
→ 私は強化学習を研究しているエンジニアを知っている。

例文5
The dataset that is stored on Kaggle is public.
→ Kaggleに保存されているデータセットは公開されている。

学習初期では、

  • 人なら who
  • 物なら which
  • どちらにも使えるのが that

と整理すると分かりやすいです。

5. 所有格の関係代名詞 whose

whose は「〜の」を表します。
人だけでなく、物にも使えることがあります。

例文6
I know the researcher whose paper won the Best Paper Award.
→ 論文が最優秀賞を取った研究者を知っている。

この文では、whose paper で「その研究者の論文」を表しています。

もとの形は、

I know the researcher.
His or her paper won the Best Paper Award.

です。

6. 目的格の関係代名詞

目的格の関係代名詞は、関係詞節の中で目的語になる形です。

人に使う whom

例文7
The engineer whom I met at NeurIPS explained the algorithm.
→ NeurIPSで会ったエンジニアがアルゴリズムを説明した。

この文では、whom が met の目的語です。

もとの形は、

I met the engineer at NeurIPS.
The engineer explained the algorithm.

です。

ただし、現代英語では whom はややかたく、ふつうは who や that、あるいは省略がよく使われます。

物に使う which

例文8
The paper which I submitted yesterday was accepted.
→ 私が昨日提出した論文は受理された。

この文では、which が submitted の目的語です。

that も使える

例文9
The algorithm that he developed is very efficient.
→ 彼が開発したアルゴリズムはとても効率的だ。

7. 目的格の関係代名詞は省略できることがある

目的格の関係代名詞は、省略できることが多いです。

例文10
This is the model (which / that) I trained yesterday.
→ これは私が昨日学習させたモデルです。

省略すると、

This is the model I trained yesterday.

となります。

ポイント

  • 主格は基本的に省略できない
  • 目的格は省略できることが多い

8. 主格と目的格の見分け方

関係代名詞のあとを見て、主語が足りないか、目的語が足りないかを考えます。

主格

The engineer who works here is kind.

works here の中には主語がありません。
だから who は主格です。

目的格

The engineer whom I met is kind.

I met には主語 I があります。
でも目的語がありません。
だから whom は目的格です。

9. 人・物・所有の整理

主格

  • 人：who
  • 物：which
  • 人・物どちらも：that

所有格

  • 人・物：whose

目的格

  • 人：whom, who, that
  • 物：which, that

10. 関係代名詞がある文の読み方

関係代名詞の文を読むときは、先行詞と説明部分を分けて考えると分かりやすいです。

例文11
I built a model that predicts images well.

  • 先行詞：a model
  • 説明：that predicts images well

つまり、
「画像をよく予測するモデル」
という意味です。

例文12
The engineer who works on RL published a paper.

  • 先行詞：The engineer
  • 説明：who works on RL

つまり、
「強化学習を研究しているエンジニア」
です。

11. よくある間違い

誤り

I know an engineer which works on RL.

正しい形

I know an engineer who works on RL.
または
I know an engineer that works on RL.

人には which はふつう使いません。

誤り

The dataset who is stored on Kaggle is public.

正しい形

The dataset which is stored on Kaggle is public.
または
The dataset that is stored on Kaggle is public.

物には who は使いません。

誤り

This is the model who I trained yesterday.

正しい形

This is the model which I trained yesterday.
または
This is the model that I trained yesterday.
または
This is the model I trained yesterday.

物なので which / that を使います。

12. Python・機械学習系の追加例文

例文13
I use a library that supports GPU acceleration.
→ 私はGPU高速化をサポートするライブラリを使っている。

例文14
The researcher who proposed the method won an award.
→ その手法を提案した研究者は賞を取った。

例文15
The dataset which contains medical images is private.
→ 医療画像を含むデータセットは非公開だ。

例文16
The engineer whose code passed all tests looked relieved.
→ すべてのテストに通ったコードを書いたエンジニアは安心した様子だった。

例文17
This is the script that I used for evaluation.
→ これは私が評価に使ったスクリプトです。

13. まとめ

  • 関係代名詞は名詞を後ろから説明する
  • 前の名詞を先行詞という
  • 主格は関係詞節の主語になる
  • 目的格は関係詞節の目的語になる
  • 所有格は whose
  • 人には who、物には which、両方に that
  • 目的格の関係代名詞は省略できることが多い
  • 主格か目的格かは、後ろの文に主語や目的語が足りているかで判断する

CHECK問題

  1. I know a scientist who studies AI. の who は主格ですか、目的格ですか。
    答え: 主格

  2. This is the model that I trained. の that は主格ですか、目的格ですか。
    答え: 目的格

  3. 人の先行詞にふつう使う関係代名詞は何ですか。
    答え: who

  4. 物の先行詞にふつう使う関係代名詞は何ですか。
    答え: which

  5. 所有を表す関係代名詞は何ですか。
    答え: whose

第20章 関係代名詞②

前置詞 + 関係代名詞・what

前の章では、who which that whose whom を使って、名詞を後ろから説明する基本を学びました。
この章では、さらに一歩進んで、

  • 前置詞 + 関係代名詞
  • 関係代名詞 what

を学びます。

この2つは形が少し違うので、区別できるようになることが重要です。

1. 前置詞 + 関係代名詞 とは

関係代名詞の節の中で、動詞が前置詞とセットになることがあります。
そのとき、前置詞を関係代名詞の前に出すことがあります。

たとえば、

The dataset which we trained the model on is ImageNet.
→ 私たちがモデルを学習させたデータセットはImageNetです。

この文では train the model on the dataset という関係があります。
つまり on が必要です。

この on を前に出すと、

The dataset on which we trained the model is ImageNet.

のようになります。

2. 前置詞が後ろに残る形

まずは基本の形です。
日常的にはこちらの方が自然でよく使われます。

例文1
The dataset which we trained the model on is ImageNet.
→ 私たちがモデルを学習させたデータセットはImageNetです。

例文2
This is the server that I logged into yesterday.
→ これは私が昨日ログインしたサーバーです。

ここでは、

  • train on a dataset
  • log into a server

のように、前置詞が動詞とセットになっています。

ポイント

前置詞を後ろに残す形は、会話でもよく使われます。

3. 前置詞を前に出す形

ややかたい書き方ですが、文法的に整った形として大切です。

例文3
The dataset on which we trained the model is ImageNet.
→ 私たちがモデルを学習させたデータセットはImageNetです。

例文4
That is the repository to which the team contributes.
→ あれがチームが貢献しているリポジトリです。

この形では、

  • on which
  • to which

のように、前置詞 + 関係代名詞 がまとまっています。

4. that は前置詞の後ろに置けない

これは大事なルールです。

正しい形

The dataset on which we trained the model is ImageNet.

誤り

The dataset on that we trained the model is ImageNet.

前置詞の後ろには、ふつう which や whom を使います。
that は置けません。

5. 人の場合の 前置詞 + whom

人を表す先行詞では、whom を使うことがあります。
ただし、ややかたい表現です。

例文5
The researcher with whom I worked published a great paper.
→ 私が一緒に研究した研究者は、すばらしい論文を発表した。

より自然な会話的表現は、

The researcher who I worked with published a great paper.

です。

まとめ

  • かたい形：with whom
  • 自然な形：who ... with

6. 目的格の関係代名詞と前置詞の位置

同じ意味でも、2通りの言い方があります。

前置詞が後ろ

The paper which I referred to was useful.
→ 私が参照した論文は役に立った。

前置詞が前

The paper to which I referred was useful.
→ 私が参照した論文は役に立った。

両方とも正しいですが、後ろに置く方がふつうは自然です。

7. 関係代名詞 what とは

what は特別な関係代名詞です。
意味は「〜するもの」「〜すること」です。

普通の関係代名詞と大きく違う点は、先行詞を含んでいることです。

たとえば、

What the model predicted was correct.
→ モデルが予測したことは正しかった。

この What は、

the thing which
のような意味を1語で含んでいます。

8. what は先行詞を含む

普通の関係代名詞は、前に先行詞があります。

例
This is the model that I trained.

  • 先行詞：the model
  • 関係代名詞：that

しかし what には、前に先行詞を置きません。

例文6
What the model predicted was correct.
→ モデルが予測したことは正しかった。

ここでは What 自体が

the thing that

のような意味を持っています。

9. what が主語になる形

例文7
What the team implemented improved the system.
→ チームが実装したものがシステムを改善した。

この文では What the team implemented 全体が主語です。

つまり、

What the team implemented = チームが実装したもの

です。

10. what が補語になる形

例文8
This is what the team implemented.
→ これはチームが実装したものです。

この文では what the team implemented が補語です。

つまり、

This = what the team implemented

の関係です。

11. what が目的語になる形

例文9
Give me what you coded yesterday.
→ 昨日書いたコードをください。

この文では what you coded yesterday が give の目的語です。

例文10
Tell me what happened in the training process.
→ 学習過程で起こったことを教えてください。

12. what と that の違い

これは非常に重要です。

that

前に先行詞が必要

This is the model that I trained.
→ これは私が学習させたモデルです。

ここでは the model が先行詞です。

what

先行詞を含むので、前に名詞を置かない

This is what I trained.
→ これは私が学習させたものです。

誤り

This is the thing what I trained.

正しい形

This is the thing that I trained.
または
This is what I trained.

13. what を使った慣用表現

This is what is called ...

「これはいわゆる〜です」

例文11
This is what is called transfer learning.
→ これはいわゆる転移学習です。

What is worse

「さらに悪いことに」

例文12
What is worse, the model overfitted to the test data.
→ さらに悪いことに、そのモデルはテストデータに過学習した。

この What is worse は、文全体にかかる決まり文句です。

14. what の読み方のコツ

what を見たら、次のように考えると読みやすいです。

  • what + S + V
  • 「S が V するもの / こと」

例
What she wants is a faster GPU.
→ 彼女が欲しいものは、もっと高速なGPUだ。

ここでは

What she wants = 彼女が欲しいもの

です。

15. よくある間違い

誤り

The thing what I need is a new GPU.

正しい形

The thing that I need is a new GPU.
または
What I need is a new GPU.

what は先行詞を含むので、the thing と一緒には使いません。

誤り

The dataset on that we trained the model is large.

正しい形

The dataset on which we trained the model is large.

前置詞の後ろに that は置けません。

誤り

This is what is called as transfer learning.

正しい形

This is what is called transfer learning.

called の後ろに as は入れません。

16. Python・機械学習系の追加例文

例文13
The framework on which this project depends is open source.
→ このプロジェクトが依存しているフレームワークはオープンソースだ。

例文14
The researcher with whom I discussed the results was very kind.
→ 私が結果について議論した研究者はとても親切だった。

例文15
What the benchmark showed surprised the whole team.
→ ベンチマークが示したことはチーム全体を驚かせた。

例文16
This is what we need for stable inference.
→ これが安定した推論のために私たちに必要なものです。

例文17
Tell me what caused the memory leak.
→ メモリリークの原因となったことを教えてください。

17. まとめ

  • 前置詞 + 関係代名詞 の形では、前置詞を前に出せる
  • その場合、which や whom を使い、that は使えない
  • 会話では前置詞を後ろに置く形が自然なことが多い
  • what は先行詞を含む関係代名詞
  • what = the thing(s) that ...
  • what の前に先行詞は置かない
  • This is what is called ... などの慣用表現も重要

CHECK問題

  1. The paper to which I referred の which は、前置詞の後ろにありますか。
    答え: はい

  2. 前置詞の後ろに that は置けますか。
    答え: いいえ

  3. What she said was true. の What she said は先行詞を含んでいますか。
    答え: はい

  4. This is what I need. は「これは私が必要なものです」という意味ですか。
    答え: はい

  5. The thing what I want は正しい英語ですか。
    答え: いいえ# 第21章 関係副詞

where / when / why / how

前の章では、関係代名詞を使って名詞を後ろから説明する形を学びました。
この章では、関係副詞を使って「場所」「時」「理由」「方法」を表す説明のしかたを学びます。

関係副詞も、前にある名詞を後ろから説明します。
ただし、関係代名詞との大きな違いは、後ろに完全な文が続くことです。

1. 関係副詞とは

関係副詞は、「接続詞 + 副詞」のような働きをして、前の名詞を後ろから説明する語です。

主な4つは次の通りです。

  • where：場所
  • when：時
  • why：理由
  • how：方法

2. 関係副詞の基本イメージ

たとえば、

This is the lab.
We trained the neural network there.

この2文を1文にすると、

This is the lab where we trained the neural network.
→ ここが私たちがニューラルネットを学習させた研究室です。

となります。

この where は、in the lab / there のような場所の意味を含んでいます。

3. 関係副詞と関係代名詞の違い

ここが重要です。

関係代名詞

後ろの文に、主語または目的語が足りない

例
This is the model that I trained.
→ これは私が学習させたモデルです。

I trained のあとに目的語が足りません。
だから that が必要です。

関係副詞

後ろの文は完全な文

例
This is the lab where we trained the model.
→ ここが私たちがモデルを学習させた研究室です。

we trained the model はそれだけで文として完成しています。
where は場所の意味を足しています。

4. where 場所を表す関係副詞

where は場所を表す名詞を説明します。

例文1
This is the lab where we trained the neural network.
→ ここが私たちがニューラルネットを学習させた研究室です。

例文2
That is the server room where the GPUs are installed.
→ あれがGPUが設置されているサーバールームです。

例文3
I remember the folder where we stored the logs.
→ 私は私たちがログを保存したフォルダを覚えている。

言いかえ

where は、関係代名詞を使って言いかえることもできます。

This is the lab where we trained the neural network.
= This is the lab which we trained the neural network in.

つまり where は、
in which
のような意味を含んでいます。

5. when 時を表す関係副詞

when は時を表す名詞を説明します。

例文4
2012 was the year when deep learning became popular.
→ 2012年はディープラーニングが普及した年です。

例文5
I remember the day when we launched the model.
→ 私は私たちがそのモデルを公開した日を覚えている。

例文6
That was the moment when the system finally converged.
→ あれがシステムがついに収束した瞬間だった。

言いかえ

when は
at which / on which / in which
のような意味を含みます。

I remember the day when we launched the model.
= I remember the day on which we launched the model.

6. why 理由を表す関係副詞

why は、ふつう the reason を説明します。

例文7
Tell me the reason why the model overfitted.
→ モデルが過学習した理由を教えてください。

例文8
That is the reason why we changed the optimizer.
→ それが私たちがオプティマイザを変えた理由だ。

省略

the reason がある場合、why は省略されることもあります。

Tell me the reason why the model overfitted.
= Tell me the reason the model overfitted.

さらに自然には、

Tell me why the model overfitted.
→ なぜそのモデルが過学習したのか教えてください。

のように、the reason 自体を省くことも多いです。

7. how 方法を表す関係副詞

how は方法を表します。
ただし、少し注意が必要です。

例文9
This is how we optimized the hyperparameters.
→ これが私たちがハイパーパラメータを最適化した方法です。

この文はとても自然です。

一方で、

This is the way how we optimized the hyperparameters.

という形は、学校文法では扱われることもありますが、現代英語では重いと感じられやすいです。

自然な形は次のどちらかです。

  • This is how we optimized the hyperparameters.
  • This is the way we optimized the hyperparameters.

8. where / when / why / how の先行詞

関係副詞は、先行詞がある程度決まっています。

  • where ← place, lab, room, folder, site など場所
  • when ← time, day, year, moment など時
  • why ← reason
  • how ← way, method など方法

9. where と which の違い

これは混同しやすいです。

where

後ろは完全な文

This is the lab where we trained the model.

we trained the model は完成しています。

which

後ろに不足がある

This is the lab which we used for training.

we used のあとに目的語が必要です。
それを which が受けています。

10. when と which の違い

when

時を表す副詞の意味を含む

This is the day when we released the model.

which

後ろに不足がある

This is the day which changed our project.

この場合、which は changed の主語です。

11. where は抽象的な場所にも使える

where は実際の場所だけでなく、場面や状況に近い意味でも使われることがあります。

例文10
We reached a point where the model stopped improving.
→ 私たちはモデルがそれ以上改善しなくなる段階に達した。

ここでの point は物理的な場所ではありませんが、「段階」「局面」として where が使われています。

12. when は広い時にも使える

when は、特定の日だけでなく、年、時代、瞬間などにも使えます。

例文11
This is an era when AI tools are everywhere.
→ これはAIツールが至るところにある時代だ。

例文12
That was the moment when I understood transformers.
→ あれが私がトランスフォーマーを理解した瞬間だった。

13. why は the reason と結びつきやすい

why はほぼ the reason 専用と考えてよいです。

例文13
Do you know the reason why the training failed?
→ 学習が失敗した理由を知っていますか。

ただし、会話では

Do you know why the training failed?

の方が自然なことが多いです。

14. how の注意点

how は「方法」を表しますが、the way と一緒に使うと重くなることがあります。

よく使う自然な形

This is how we solved the problem.
→ これが私たちがその問題を解決した方法です。

これも自然

This is the way we solved the problem.
→ これが私たちがその問題を解決した方法です。

学習上は注意

This is the way how we solved the problem.
→ 文法説明では見かけても、ふつうは避けた方が安全

15. 関係副詞を読むコツ

関係副詞の文を見たら、まず先行詞を見ると分かりやすいです。

  • 場所なら where
  • 時なら when
  • 理由なら why
  • 方法なら how

そして、後ろが完成した文かどうかを確認します。

例
This is the lab where we trained the model.

  • lab → 場所
  • we trained the model → 完成した文

だから where が合う、と分かります。

16. よくある間違い

誤り

This is the place which I learned TensorFlow there.

正しい形

This is the place where I learned TensorFlow.
または
This is the place which I learned TensorFlow in.

there を重ねてしまうのが誤りです。

誤り

This is the reason because the model failed.

正しい形

This is the reason why the model failed.
または
This is why the model failed.

reason because はふつう使いません。

誤り

This is the way how I selected the features.

より自然な形

This is how I selected the features.
または
This is the way I selected the features.

17. Python・機械学習系の追加例文

例文14
This is the environment where we ran the experiment.
→ ここが私たちが実験を実行した環境です。

例文15
That was the year when transformers changed NLP.
→ あれがトランスフォーマーがNLPを変えた年だった。

例文16
Please explain the reason why the benchmark score dropped.
→ ベンチマークの点数が下がった理由を説明してください。

例文17
This is how we reduced inference latency.
→ これが私たちが推論レイテンシを下げた方法です。

例文18
We reached a stage where the model needed more diverse data.
→ 私たちはモデルがより多様なデータを必要とする段階に達した。

18. まとめ

  • 関係副詞は名詞を後ろから説明する
  • where は場所
  • when は時
  • why は理由
  • how は方法
  • 関係副詞の後ろは完全な文になる
  • where は in which、when は on / at / in which に近い
  • why は the reason と結びつきやすい
  • how は the way と重ねすぎない方が自然

CHECK問題

  1. where は何を表す関係副詞ですか。
    答え: 場所

  2. 2012 was the year when deep learning became popular. の when は何を表していますか。
    答え: 時

  3. the reason why the model failed の why は何を表していますか。
    答え: 理由

  4. This is how we optimized the model. の how は何を表していますか。
    答え: 方法

  5. 関係副詞の後ろは、不完全な文ですか、完全な文ですか。
    答え: 完全な文

第22章 比較①

原級・比較級・負けパターン

比較は、「どちらがより〜か」「同じくらい〜か」「〜ほどではないか」を表す文法です。
形容詞や副詞を使って、物や人の性質を比べます。

この章では、比較の基本である

  • 比較級
  • 原級比較
  • 負けパターン

を学びます。

1. 比較とは

比較とは、2つ以上のものを比べて違いを表すことです。
英語では、形容詞や副詞の形を変えて表します。

たとえば、

This model is accurate.
→ このモデルは正確だ。

だけでは、何かと比べていません。
しかし、

This model is more accurate than the baseline.
→ このモデルはベースラインより正確だ。

とすると、比較になります。

2. 比較の3つの基本パターン

結果は大きく3つあります。

① 勝ちパターン

A の方が B より〜だ

② 引き分けパターン

A は B と同じくらい〜だ

③ 負けパターン

A は B ほど〜ではない

3. 比較級の作り方

比較級は「〜より…だ」を表す形です。

短い語

語尾に -er

  • fast → faster
  • small → smaller
  • tall → taller

長い語

前に more

  • useful → more useful
  • accurate → more accurate
  • efficient → more efficient

不規則変化

  • good / well → better
  • bad / badly → worse
  • many / much → more

4. 比較級の基本形

形
A + be動詞 + 比較級 + than + B

例文1
This model is more accurate than the baseline.
→ このモデルはベースラインより正確だ。

例文2
This server is faster than the old one.
→ このサーバーは古いものより速い。

例文3
She writes code more carefully than I do.
→ 彼女は私より注意深くコードを書く。

5. than の役割

than は「〜より」という比較の相手を示します。

例
faster than the old server
→ 古いサーバーより速い

more efficient than gradient descent
→ 勾配降下法より効率的だ

than の後ろには、名詞だけでなく文が来ることもあります。

例文4
He studies Python harder than I do.
→ 彼は私より熱心にPythonを勉強する。

ここでは than I do まで含めて比べています。

6. 原級比較 as ... as

原級比較は、「同じくらい〜だ」を表します。

形
as + 原級 + as

例文5
Our CNN is as fast as the competitor’s model.
→ 私たちのCNNは競合モデルと同じくらい速い。

例文6
This script is as useful as that one.
→ このスクリプトはあれと同じくらい役に立つ。

例文7
She can debug as quickly as her mentor.
→ 彼女は指導教員と同じくらい速くデバッグできる。

ポイント

as ... as の真ん中には、比較級ではなく原級が入ります。

正しい形
as fast as

誤り
as faster as

7. 負けパターン not as ... as

「A は B ほど〜ではない」を表します。

形
not as + 原級 + as

例文8
Our model is not as explainable as decision trees.
→ 私たちのモデルは決定木ほど説明可能ではない。

例文9
This method is not as stable as random forests.
→ この手法はランダムフォレストほど安定していない。

例文10
He does not code as quickly as Alice.
→ 彼はアリスほど速くコードを書かない。

8. less ... than の形

これも「〜ほど…でない」に近い意味を表します。

形
less + 原級 + than

例文11
This algorithm is less efficient than gradient descent.
→ このアルゴリズムは勾配降下法ほど効率的ではない。

例文12
This library is less popular than PyTorch.
→ このライブラリはPyTorchほど人気がない。

less ... than と not as ... as の違い

意味はかなり近いですが、形が違います。

  • not as efficient as ...
  • less efficient than ...

どちらも「それほど効率的ではない」です。

9. 比較級の強調

比較級は前に語を置いて強調できます。

よく使う語

  • much
  • far
  • a lot
  • even
  • still

例文13
This version is much faster than the previous one.
→ このバージョンは以前のものよりずっと速い。

例文14
The new model is far more stable than the old one.
→ 新しいモデルは古いものよりはるかに安定している。

例文15
This result is even better than we expected.
→ この結果は私たちが予想したよりさらに良い。

10. 副詞の比較

比較は形容詞だけでなく、副詞にも使えます。

例文16
She writes code more carefully than I do.
→ 彼女は私より注意深くコードを書く。

例文17
This GPU runs faster than that one.
→ このGPUはあのGPUより速く動く。

例文18
He responds as quickly as his teammate.
→ 彼はチームメイトと同じくらい速く返答する。

11. more を使う語と -er を使う語

学習の初期では、次のように考えると分かりやすいです。

-er を使いやすい語

短い語

  • fast
  • small
  • large
  • long
  • short

more を使いやすい語

長い語

  • useful
  • accurate
  • efficient
  • interesting
  • important

例文19
This server is smaller than that one.
→ このサーバーはあれより小さい。

例文20
This method is more effective than the old one.
→ この方法は古いものより効果的だ。

12. 不規則変化

覚えるしかない重要な比較です。

  • good → better
  • well → better
  • bad → worse
  • badly → worse
  • many → more
  • much → more

例文21
This result is better than the previous one.
→ この結果は前のものより良い。

例文22
The new setting performed worse than the baseline.
→ 新しい設定はベースラインより悪い結果だった。

例文23
We need more data than before.
→ 私たちは以前より多くのデータが必要だ。

13. 比較の意味を読み分けるコツ

文を見たら、まず次を確認します。

  1. than があるか
    → 比較級の可能性が高い

  2. as ... as があるか
    → 引き分けパターン

  3. not as ... as があるか
    → 負けパターン

  4. less ... than があるか
    → こちらも負けパターン

14. よくある間違い

誤り

This model is more faster than the old one.

正しい形

This model is faster than the old one.
または
This model is more efficient than the old one.

faster のように -er を使う語に more を重ねません。

誤り

This script is as faster as that one.

正しい形

This script is as fast as that one.

as ... as の中は原級です。

誤り

This model is not as more accurate as that one.

正しい形

This model is not as accurate as that one.

not as ... as でも原級を使います。

15. Python・機械学習系の追加例文

例文24
This optimizer is more stable than Adam in this experiment.
→ この実験では、このオプティマイザはAdamより安定している。

例文25
The new GPU is much faster than the previous one.
→ 新しいGPUは前のものよりずっと速い。

例文26
Our pipeline is as robust as the production system.
→ 私たちのパイプラインは本番システムと同じくらい堅牢だ。

例文27
This approach is not as interpretable as a linear model.
→ この手法は線形モデルほど解釈しやすくない。

例文28
This method is less practical than the simpler baseline.
→ この手法は、より単純なベースラインほど実用的ではない。

16. まとめ

  • 比較には 勝ち・引き分け・負け の3パターンがある
  • 比較級は 比較級 + than
  • 原級比較は as + 原級 + as
  • 負けパターンは not as + 原級 + as
  • less + 原級 + than でも「〜ほど…でない」を表せる
  • 短い語は -er、長い語は more
  • 不規則変化 better / worse / more は重要
  • as ... as の中は原級を使う

CHECK問題

  1. This model is more accurate than the baseline. は、勝ち・引き分け・負け のどれですか。
    答え: 勝ち

  2. Our CNN is as fast as the competitor’s model. は、勝ち・引き分け・負け のどれですか。
    答え: 引き分け

  3. This method is not as stable as random forests. は、勝ち・引き分け・負け のどれですか。
    答え: 負け

  4. fast の比較級は何ですか。
    答え: faster

  5. good の比較級は何ですか。
    答え: better# 第23章 比較②

最上級と比較の重要表現

前の章では、比較の基本として

  • 比較級 〜より...
  • 原級比較 同じくらい...
  • 負けパターン 〜ほど...でない

を学びました。
この章では、さらに進んで

  • 最上級
  • 倍数表現
  • the 比較級 ..., the 比較級 ...
  • one of the 最上級
  • than any other
  • No other ...

などの重要表現を整理します。

1. 最上級とは

最上級は、「3つ以上の中でいちばん〜」を表す形です。

たとえば、

This model is accurate.
→ このモデルは正確だ。

This model is more accurate than that one.
→ このモデルはあれより正確だ。

This model is the most accurate in the benchmark.
→ このモデルはベンチマークの中でいちばん正確だ。

このように、比べる相手が2つではなく、3つ以上あるときに最上級を使います。

2. 最上級の作り方

短い語

the + -est

  • fast → the fastest
  • small → the smallest
  • large → the largest

長い語

the most + 原級

  • useful → the most useful
  • accurate → the most accurate
  • efficient → the most efficient

不規則変化

  • good / well → the best
  • bad / badly → the worst
  • many / much → the most

3. 最上級の基本形

形
A + be動詞 + the 最上級 + 範囲

例文1
Our model trains the fastest in the research team.
→ 私たちのモデルは研究チームの中でいちばん速く学習する。

例文2
This is the most useful library for beginners.
→ これは初心者にとって最も役立つライブラリです。

例文3
He is the best programmer in the lab.
→ 彼は研究室でいちばん優れたプログラマだ。

4. 最上級でよく使う範囲表現

最上級では、「どの範囲の中でいちばんか」を示すことが多いです。

よく使う形

  • in + 場所 / 集団
  • of + 複数 / all

例文4
She debugged the hardest of all the engineers.
→ 彼女は全エンジニアの中でいちばん熱心にデバッグした。

例文5
This GPU is the fastest in our lab.
→ このGPUは私たちの研究室でいちばん速い。

5. 副詞の最上級

最上級は副詞にも使えます。

例文6
He answered the most carefully in the group.
→ 彼はそのグループの中でいちばん注意深く答えた。

例文7
This server runs the fastest of the three.
→ このサーバーは3台の中でいちばん速く動く。

6. 倍数表現

「2倍」「3倍」などを表す表現です。

形
twice as ... as
three times as ... as

例文8
This GPU is twice as powerful as that one.
→ このGPUはあのGPUの2倍の性能だ。

例文9
This dataset is three times as large as the old one.
→ このデータセットは古いものの3倍の大きさだ。

ポイント

倍数表現でも、as ... as の中は原級です。

正しい形
twice as large as

誤り
twice larger than

7. as ... as possible

「できるだけ〜」を表します。

形
as + 原級 + as possible

例文10
We collected as many datasets as possible.
→ 私たちはできるだけ多くのデータセットを集めた。

例文11
Please write the report as clearly as possible.
→ できるだけ分かりやすくレポートを書いてください。

書きかえ
as ... as S can

例
We collected as many datasets as we could.
→ 私たちはできるだけ多くのデータセットを集めた。

8. 比較級 and 比較級

「だんだん〜」を表します。

形
比較級 and 比較級
または
more and more + 原級

例文12
The training is getting slower and slower.
→ 学習がだんだん遅くなっている。

例文13
The model is becoming more and more accurate.
→ そのモデルはますます正確になっている。

9. the 比較級 of the two

2つの中で「より〜な方」を表します。

例文14
This optimizer is the better of the two.
→ このオプティマイザは2つのうちで良い方だ。

例文15
She chose the more stable of the two models.
→ 彼女は2つのモデルのうちでより安定した方を選んだ。

ポイント

2つだけを比べるときは、最上級ではなく比較級を使うことがあります。

  • 2つ → the better
  • 3つ以上 → the best

10. The 比較級 S V, the 比較級 S V

「〜すればするほど、ますます...」を表す重要構文です。

形
The + 比較級 + S + V, the + 比較級 + S + V

例文16
The deeper the network is, the harder it is to interpret.
→ ネットワークが深ければ深いほど、解釈は難しくなる。

例文17
The more data we collect, the better the model performs.
→ データを多く集めれば集めるほど、モデルの性能は良くなる。

例文18
The faster the server runs, the shorter the waiting time becomes.
→ サーバーが速く動くほど、待ち時間は短くなる。

11. like A better than B / prefer A to B

好みの比較です。

例文19
I like PyTorch better than TensorFlow.
→ 私はTensorFlowよりPyTorchの方が好きだ。

例文20
I prefer PyTorch to TensorFlow.
→ 私はTensorFlowよりPyTorchの方が好きだ。

ポイント

意味は近いですが、形が違います。

  • like A better than B
  • prefer A to B

12. like A (the) best in / of ...

「〜の中でAがいちばん好きだ」

例文21
She likes NLP the best of all AI fields.
→ 彼女はAI分野の中で自然言語処理がいちばん好きだ。

例文22
I like computer vision best in this course.
→ 私はこの授業の中ではコンピュータビジョンがいちばん好きだ。

13. one of the 最上級 + 複数名詞

「最も〜なものの1つ」を表します。

形
one of the + 最上級 + 複数名詞

例文23
This is one of the most useful datasets in ML.
→ これは機械学習で最も有用なデータセットの1つだ。

例文24
He is one of the best engineers in the lab.
→ 彼は研究室で最も優秀なエンジニアの1人だ。

ポイント

one of the の後ろは 複数名詞 です。

正しい形
one of the best models

誤り
one of the best model

14. 比較級 + than any other + 単数名詞

最上級に近い意味を表します。
「他のどの〜よりも...」です。

例文25
This algorithm is faster than any other method.
→ このアルゴリズムは他のどんな手法よりも速い。

例文26
She is smarter than any other student in the class.
→ 彼女はクラスの他のどの生徒よりも賢い。

ポイント

any other の後ろは 単数名詞 です。

15. No other ... as 原級 as ...

「〜ほど...なものは他にない」を表します。

例文27
No other framework is as popular as PyTorch.
→ PyTorchほど人気のあるフレームワークはない。

この形は、最上級に近い意味です。

16. No other ... 比較級 than ...

これも同じく「〜より...なものは他にない」を表します。

例文28
No other framework is more popular than PyTorch.
→ PyTorchより人気のあるフレームワークはない。

比較

  • No other framework is as popular as PyTorch.
  • No other framework is more popular than PyTorch.

どちらも、PyTorchが最上位だという意味です。

17. 比較表現の整理

比較級

This model is more accurate than that one.
→ このモデルはあれより正確だ。

原級比較

This model is as accurate as that one.
→ このモデルはあれと同じくらい正確だ。

最上級

This model is the most accurate in the benchmark.
→ このモデルはベンチマークで最も正確だ。

最上級に近い表現

This model is more accurate than any other model.
→ このモデルは他のどのモデルよりも正確だ。

18. よくある間違い

誤り

He is one of the best programmer in the lab.

正しい形

He is one of the best programmers in the lab.

one of the の後ろは複数名詞です。

誤り

This method is faster than any other methods.

正しい形

This method is faster than any other method.

any other の後ろは単数名詞です。

誤り

The more deeper the network is, the harder it is to interpret.

正しい形

The deeper the network is, the harder it is to interpret.

比較級に more を重ねません。

誤り

This GPU is twice more powerful than that one.

正しい形

This GPU is twice as powerful as that one.

倍数表現は twice as ... as が基本です。

19. Python・機械学習系の追加例文

例文29
This is one of the most stable training pipelines we have built.
→ これは私たちが構築した中で最も安定した学習パイプラインの1つだ。

例文30
The larger the dataset is, the longer preprocessing takes.
→ データセットが大きければ大きいほど、前処理には時間がかかる。

例文31
No other library is as flexible as this one for rapid prototyping.
→ 高速な試作のために、このライブラリほど柔軟なライブラリは他にない。

例文32
This benchmark is more difficult than any other test we have used.
→ このベンチマークは、私たちが使ってきた他のどのテストよりも難しい。

例文33
She likes reinforcement learning the best of all ML topics.
→ 彼女は機械学習の話題の中で強化学習がいちばん好きだ。

20. まとめ

  • 最上級は「3つ以上の中でいちばん〜」
  • 短い語は the -est、長い語は the most ...
  • 倍数表現は twice as ... as
  • as ... as possible は「できるだけ〜」
  • 比較級 and 比較級 は「だんだん〜」
  • the 比較級 ..., the 比較級 ... は「〜すればするほど...」
  • one of the 最上級 + 複数名詞 は重要
  • than any other + 単数名詞 は最上級に近い
  • No other ... as ... as ... も最上級に近い意味を表す

CHECK問題

  1. the best は比較級ですか、最上級ですか。
    答え: 最上級

  2. one of the most useful datasets の datasets は単数ですか、複数ですか。
    答え: 複数

  3. This algorithm is faster than any other method. は、最上級に近い意味を表していますか。
    答え: はい

  4. The more data we collect, the better the model performs. はどんな意味ですか。
    答え: データを多く集めれば集めるほど、モデル性能が良くなる

  5. twice as large as は倍数表現ですか。
    答え: はい

第24章 仮定法①

仮定法の基本形

仮定法は、「現実にはそうではないこと」や「実際には起きていないこと」を、もし〜ならという形で表す文法です。
ふつうの if の文は、実際に起こりうることを言いますが、仮定法は「今はそうではない」「あのときそうではなかった」という気持ちが入ります。

1. 仮定法とは

仮定法は、現実に反する想像や、過去への後悔を表す表現です。

基本の考え方は次の通りです。

  • 現在の事実に反する話 → 動詞を1つ過去にずらす
  • 過去の事実に反する話 → 動詞をさらに1つ前、つまり過去完了にする

たとえば、

If I am a GPU, ...
とはふつう言いません。
「私はGPUではない」ので、仮定法では

If I were a GPU, ...

とします。

2. 現在のもしも話

仮定法過去

今の事実に反する「もしも」を表します。

形
If + S + 動詞の過去形, S' + would[could / might] + 動詞原形

例文1
If I were a GPU, I could process data much faster.
→ もし私がGPUだったら、もっと速くデータを処理できるのに。

この文の現実は、

  • 私はGPUではない
  • だから実際にはそのようには処理できない

ということです。

ポイント

仮定法過去といっても、意味は「過去」ではなく「現在の事実に反すること」です。

3. was ではなく were

仮定法では、主語が I や he や she でも、be動詞 に were を使うことが多いです。

例文2
If I were a data scientist, I would solve this problem differently.
→ もし私がデータサイエンティストなら、この問題を違うやり方で解くだろうに。

例文3
If he were here, he would fix the bug quickly.
→ もし彼がここにいたら、すぐにそのバグを直すだろうに。

ポイント

特に学習段階では、仮定法なら If I were ... を基本形として覚えるのが安全です。

4. would / could / might の違い

仮定法では、結果の文に would could might をよく使います。

  • would：〜だろう
  • could：〜できるだろう
  • might：〜かもしれない

例文4
If I had more GPUs, I would train a larger model.
→ もっとGPUがあれば、より大きなモデルを学習させるだろうに。

例文5
If I had more GPUs, I could train a larger model.
→ もっとGPUがあれば、より大きなモデルを学習させることができるのに。

例文6
If we changed the architecture, the result might improve.
→ もしアーキテクチャを変えたら、結果は改善するかもしれない。

5. 過去のもしも話

仮定法過去完了

過去の事実に反する「もしも」を表します。
実際には起きなかったことを想像したり、後悔したりするときに使います。

形
If + S + had + 過去分詞, S' + would have + 過去分詞

例文7
If we had tuned the hyperparameters, the model would have performed better.
→ もしハイパーパラメータを調整していたら、モデルはもっと良い性能を出していただろう。

この文の現実は、

  • 実際には調整しなかった
  • だから良い性能も出なかった

ということです。

6. 仮定法過去と仮定法過去完了の違い

仮定法過去

今の事実に反する

If I were a GPU, ...
→ 今、私はGPUではない

仮定法過去完了

過去の事実に反する

If I had backed up the data, ...
→ 過去に、私はデータをバックアップしなかった

この違いをはっきり意識することが大切です。

7. 未来のもしも話 ①

If S were to V

未来について、「もしそんなことが起きたら」という、やや起こりにくい想定を表します。

形
If + S + were to + 動詞原形, S' + would + 動詞原形

例文8
If the dataset were to be deleted, we would lose months of work.
→ もしデータセットが削除されたら、私たちは数か月分の作業を失うだろう。

これは未来の話ですが、かなり仮の話、やや重大な仮定です。

8. 未来のもしも話 ②

If S should V

未来について、「万が一〜なら」という控えめな仮定を表します。

形
If + S + should + 動詞原形, S' + would / will + 動詞原形

例文9
If the server should crash, we will stop the training.
→ 万が一サーバーが落ちたら、私たちは学習を止めるだろう。

ポイント

should はここでは「すべき」ではなく、「万が一」という意味です。

9. 混合仮定法

過去の条件と、今の結果を組み合わせる形です。

形
If + S + had + 過去分詞, S' + would + 動詞原形 ... now

例文10
If the engineer had fixed the bug, the system would be running now.
→ もしエンジニアがバグを修正していたら、今システムは動いているだろう。

この文では、

  • 条件は過去 had fixed
  • 結果は現在 would be running now

です。

つまり、
「過去にそうしていなかったために、今こうなっていない」
という意味です。

10. if を使わない仮定法の表現

仮定法では、if を使わずに言いかえる表現もよく使われます。

If it were not for ...

「もし〜がなければ」

例文11
If it were not for GPUs, deep learning would be impossible.
→ もしGPUがなければ、ディープラーニングは不可能だ。

Were it not for ...

これは上の倒置形です。

例文12
Were it not for GPUs, deep learning would be impossible.
→ もしGPUがなければ、ディープラーニングは不可能だ。

But for ...

「〜がなければ」

例文13
But for GPUs, deep learning would be impossible.
→ GPUがなければ、ディープラーニングは不可能だ。

Without ...

「〜がなければ」

例文14
Without GPUs, deep learning would be impossible.
→ GPUがなければ、ディープラーニングは不可能だ。

11. 過去の仮定の言いかえ

If it had not been for ...

「もし〜がなかったなら」

例文15
If it had not been for open-source libraries, our project would have failed.
→ もしオープンソースライブラリがなかったなら、私たちのプロジェクトは失敗していただろう。

これは過去の事実に反する仮定です。

12. ふつうの if との違い

仮定法でない if は、現実に起こりうることを表します。

ふつうの if

If it rains tomorrow, we will stay home.
→ 明日雨が降ったら、私たちは家にいる。

これは普通に起こりうる未来です。

仮定法

If I were a GPU, I could process data faster.
→ もし私がGPUだったら、もっと速く処理できるのに。

こちらは現実に反しています。

13. よくある間違い

誤り

If I am a GPU, I could process data faster.

正しい形

If I were a GPU, I could process data faster.

仮定法では、現実に反する現在の話なので過去形にします。

誤り

If we tuned the hyperparameters, the model would have performed better.

正しい形

If we had tuned the hyperparameters, the model would have performed better.

過去の事実に反する話なので、had + 過去分詞 が必要です。

誤り

If the engineer had fixed the bug, the system would be running yesterday.

注意

混合仮定法なら、結果は現在や未来に置くのが基本です。

自然な形

If the engineer had fixed the bug, the system would be running now.

14. Python・機械学習系の追加例文

例文16
If I were better at CUDA programming, I would optimize this kernel.
→ もし私がCUDAプログラミングにもっと強ければ、このカーネルを最適化するのに。

例文17
If we had used a larger dataset, the benchmark would have improved.
→ もしより大きなデータセットを使っていたら、ベンチマークは改善していただろう。

例文18
If the cluster were to go down, the whole experiment would stop.
→ もしクラスタが停止したら、実験全体が止まるだろう。

例文19
If the lead engineer had documented the system, new members would understand it now.
→ もし主任エンジニアがシステムを文書化していたら、新メンバーたちは今それを理解できているだろう。

例文20
Without version control, collaborative development would be chaotic.
→ バージョン管理がなければ、共同開発は混乱したものになるだろう。

15. まとめ

  • 仮定法は現実に反する話を表す
  • 現在の事実に反する話は仮定法過去
  • 過去の事実に反する話は仮定法過去完了
  • 未来の仮定には were to や should を使うことがある
  • 混合仮定法では、過去の条件と現在の結果を組み合わせる
  • If it were not for, Without, But for などの言いかえも重要
  • If I were ... の形は基本として覚える

CHECK問題

  1. If I were a GPU, I could process data faster. は現在の仮定ですか、過去の仮定ですか。
    答え: 現在の仮定

  2. 過去の事実に反する仮定の形は何ですか。
    答え: If + S + had + 過去分詞, S' + would have + 過去分詞

  3. If the engineer had fixed the bug, the system would be running now. は混合仮定法ですか。
    答え: はい

  4. Without GPUs, deep learning would be impossible. は仮定法の言いかえですか。
    答え: はい

  5. If he were here, he would help us. の were は仮定法ですか。
    答え: はい

第25章 仮定法②

wish as if It is time

前の章では、仮定法の基本として

  • 仮定法過去
  • 仮定法過去完了
  • 未来の仮定
  • 混合仮定法

を学びました。
この章では、仮定法を使う代表的な表現である

  • I wish ...
  • as if ...
  • It is time ...

を学びます。

これらは会話でも文章でもよく使われます。

1. I wish + 仮定法

wish は「〜ならいいのに」「〜だったらよかったのに」という、現実に反する願いを表します。
ここでも、仮定法の考え方がそのまま使われます。

基本は、

  • 現在の願い → 動詞を過去形にする
  • 過去の願い → 動詞を過去完了にする

です。

2. 現在の願望

I wish + 過去形

今の事実に反する願いを表します。

形
I wish + S + 過去形

例文1
I wish I were better at CUDA programming.
→ CUDAプログラミングがもっと得意だったらなあ。

この文の現実は、

  • 今はあまり得意ではない

ということです。

例文2
I wish this server were faster.
→ このサーバーがもっと速ければいいのに。

例文3
I wish we had more GPUs.
→ もっとGPUがあればいいのに。

ここでの had は「持っている」の過去形ですが、意味は過去ではなく「今そうではない」です。

3. wish でも were をよく使う

仮定法なので、be動詞 では was ではなく were を使うのが基本です。

例文4
I wish he were here now.
→ 今彼がここにいればいいのに。

例文5
I wish the model were more stable.
→ そのモデルがもっと安定していればいいのに。

4. 過去への願望

I wish + 過去完了

過去の事実に反する願い、つまり「〜しておけばよかった」を表します。

形
I wish + S + had + 過去分詞

例文6
I wish we had backed up the dataset.
→ データセットをバックアップしておけばよかったのに。

この文の現実は、

  • 実際にはバックアップしなかった

ということです。

例文7
I wish I had saved the training logs.
→ 学習ログを保存しておけばよかった。

例文8
She wishes she had tested the model more carefully.
→ 彼女はもっと注意深くモデルをテストしておけばよかったと思っている。

5. wish の現在と過去の違い

現在への願い

I wish I were better at coding.
→ もっとコーディングが得意ならいいのに。

今の状態への不満です。

過去への願い

I wish I had studied CUDA earlier.
→ もっと早くCUDAを勉強しておけばよかった。

過去の行動への後悔です。

6. as if + 仮定法

as if は「まるで〜かのように」という意味です。
現実とは違うことを、そう見える・そう振る舞う、という形で表します。

ここでも、現在のことなら過去形、過去のことなら過去完了を使います。

7. 現在の「まるで」

as if + 過去形

今の現実に反する様子を表します。

形
as if + S + 過去形

例文9
He explains the results as if he were the only author.
→ 彼はまるで自分が唯一の著者であるかのように結果を説明する。

現実は、

  • 彼は唯一の著者ではない

ということです。

例文10
She talks as if she knew everything about transformers.
→ 彼女はまるでトランスフォーマーについてすべて知っているかのように話す。

現実は、

  • 実際にすべて知っているとは限らない

ということです。

8. 過去の「まるで」

as if + 過去完了

過去の事実に反することを「まるで〜したかのように」と表します。

形
as if + S + had + 過去分詞

例文11
She spoke as if she had deployed the model herself.
→ 彼女はまるで自分でモデルをデプロイしたかのように話した。

現実は、

  • 実際には彼女はデプロイしていない

ということです。

例文12
He acted as if he had solved the bug alone.
→ 彼はまるで自分一人でバグを解決したかのように振る舞った。

9. as if の感覚

as if は、見た目・話し方・態度などに対して使われることが多いです。

よく一緒に使う動詞

  • look
  • sound
  • act
  • talk
  • behave
  • explain

例文13
The system behaves as if it were overloaded.
→ そのシステムは、まるで過負荷であるかのように動く。

例文14
He looked as if he had not slept for days.
→ 彼は何日も寝ていないかのように見えた。

10. It is time + 仮定法

It is time は「もう〜してよい頃だ」「そろそろ〜すべきだ」を表します。
この形でも仮定法が使われ、後ろは過去形になります。

形
It is time + S + 過去形

例文15
It is time we finished optimizing the hyperparameters.
→ そろそろハイパーパラメータの調整を終えてもいい頃だ。

現実は、

  • まだ終えていない

ということです。

例文16
It is time you started the code review.
→ もうコードレビューを始めてもいい頃だよ。

11. It is time の意味

過去形が使われていますが、意味は過去ではありません。
「今、もうその時だ」という意味です。

つまり、

It is time we left.
→ もう出発する時間だ。

のように、今すぐするべきことを表します。

12. It is high time

It is high time は It is time より強く、「もうとっくにその時だ」「いいかげん〜すべきだ」という意味です。

例文17
It is high time we updated the pipeline.
→ もういいかげん、そのパイプラインを更新すべきだ。

例文18
It is high time the team fixed the documentation.
→ チームはもういいかげんドキュメントを修正すべきだ。

13. wish と hope の違い

これは大切です。

wish

現実に反する願い

I wish I had more GPUs.
→ もっとGPUがあればいいのに。
現実にはない。

hope

実現の可能性がある願い

I hope we will get more GPUs soon.
→ 近いうちにもっとGPUが手に入るといいな。
実現の可能性がある。

14. as if が仮定法でないこともある

as if は、現実に近いと感じているときには普通の時制で使われることもあります。
ただし、学習初期では「現実に反するなら仮定法」と考えておけば十分です。

15. よくある間違い

誤り

I wish I am better at Python.

正しい形

I wish I were better at Python.

現在の事実に反する願いなので過去形にします。

誤り

I wish I backed up the data.

正しい形

I wish I had backed up the data.

過去への後悔なので、過去完了にします。

誤り

He talks as if he is the only expert.

学習上の基本

He talks as if he were the only expert.

現実に反する感じを強く出すなら仮定法にします。

誤り

It is time we finish the report.

正しい形

It is time we finished the report.

It is time の後ろは仮定法で過去形です。

16. Python・機械学習系の追加例文

例文19
I wish I were better at debugging distributed systems.
→ 分散システムのデバッグがもっと得意ならいいのに。

例文20
I wish we had tested the model on more diverse data.
→ もっと多様なデータでモデルをテストしておけばよかった。

例文21
He presents the benchmark as if he had designed the whole experiment himself.
→ 彼はまるで自分一人で実験全体を設計したかのようにベンチマークを発表する。

例文22
The server sounds as if it were about to fail.
→ そのサーバーは今にも壊れそうな音がする。

例文23
It is time we cleaned up the old training scripts.
→ そろそろ古い学習スクリプトを整理してもいい頃だ。

17. まとめ

  • wish は現実に反する願いを表す
  • 現在の願いは wish + 過去形
  • 過去の後悔は wish + 過去完了
  • as if は「まるで〜かのように」
  • 現在に反するなら as if + 過去形
  • 過去に反するなら as if + 過去完了
  • It is time + 過去形 は「もう〜してよい頃だ」
  • It is high time はさらに強い表現
  • wish と hope は意味が違う

CHECK問題

  1. I wish I were better at CUDA programming. は現在の願いですか、過去の後悔ですか。
    答え: 現在の願い

  2. I wish we had backed up the dataset. は現在の願いですか、過去の後悔ですか。
    答え: 過去の後悔

  3. He talks as if he were the only author. は「まるで〜のように」を表していますか。
    答え: はい

  4. It is time we started the code review. は「もうコードレビューを始めてもよい頃だ」という意味ですか。
    答え: はい

  5. I hope I had more GPUs. は自然ですか。
    答え: いいえ

英文法でまだ足りない細目一覧

例文あり・最初から整理版

今の第0章〜第25章はかなり広くまとまっていますが、英文法全体として見ると、まだ補いたい細目がいくつもあります。
以下、章ではなく論点ごとに、機械学習・Python系の英語例文つきで最初から整理します。

接続詞まわりの細部

今の内容では、関係代名詞・関係副詞までは入っていますが、接続詞の使い分けがまだ不足しています。

足りない論点

  • that 節の省略

  • whether と if の使い分け

  • because / since / as の違い

  • when / while / as の違い

  • if / unless / provided / supposing の違い

  • though / although / even though / even if の違い

  • 相関接続詞

    • both A and B
    • either A or B
    • neither A nor B
    • not only A but also B

例文

I think (that) this model will generalize well.
→ 私はこのモデルはうまく汎化すると思う。

We do not know whether the dataset is biased.
→ 私たちはそのデータセットに偏りがあるかどうか分からない。

If the validation loss increases, we stop training.
→ 検証損失が増えたら、私たちは学習を止める。

Unless we reduce the batch size, the GPU will run out of memory.
→ バッチサイズを減らさない限り、GPUメモリは足りなくなる。

Although the model is simple, it performs well.
→ そのモデルは単純だが、性能はよい。

Not only the optimizer but also the scheduler affects convergence.
→ オプティマイザだけでなく、スケジューラも収束に影響する。

不定詞の細かい論点

不定詞はかなり入っていますが、まだ細かい重要論点が残っています。

足りない論点

  • for + 人 + to V

  • of + 人 + to V

  • 独立不定詞

    • to tell the truth
    • to be frank
    • to begin with

  • too ... to V

  • enough to V

  • so ... as to V

  • only to V

  • be to V

    • 予定
    • 義務
    • 可能
    • 運命

  • 不定詞の受動態 to be used

  • 不定詞の完了受動態 to have been used

例文

It is important for beginners to understand gradient descent.
→ 初心者が勾配降下法を理解することは重要だ。

It was kind of her to share the dataset.
→ データセットを共有してくれるなんて彼女は親切だった。

To tell the truth, this benchmark is too small.
→ 実を言うと、このベンチマークは小さすぎる。

The dataset is too noisy to use.
→ そのデータセットはノイズが多すぎて使えない。

The server is powerful enough to handle the workload.
→ そのサーバーはその負荷を処理できるほど十分に高性能だ。

The model was fine-tuned so as to reduce latency.
→ そのモデルはレイテンシを下げるために微調整された。

He trained the model for hours, only to find that the labels were wrong.
→ 彼は何時間もモデルを学習させたが、結局ラベルが間違っていると分かった。

The new pipeline is to be deployed next week.
→ その新しいパイプラインは来週デプロイされる予定だ。

This library seems to have been designed for rapid prototyping.
→ このライブラリは高速試作向けに設計されたようだ。

動名詞の細かい論点

動名詞も基礎はありますが、意味差や発展形がまだ不足しています。

足りない論点

  • 動名詞と不定詞で意味が変わる動詞

    • stop
    • try
    • forget
    • regret
    • go on

  • 完了形動名詞

  • 受動態の動名詞 being + 過去分詞

  • 否定完了形動名詞 not having + 過去分詞

例文

He stopped training the model.
→ 彼はモデルの学習をやめた。

He stopped to check the logs.
→ 彼はログを確認するために立ち止まった。

I tried restarting the server.
→ 私はサーバーを再起動してみた。

I tried to restart the server.
→ 私はサーバーを再起動しようとした。

I forgot sending the file.
→ 私はそのファイルを送ったことを忘れていた。

I forgot to send the file.
→ 私はそのファイルを送るのを忘れた。

He regrets deleting the logs.
→ 彼はログを削除したことを後悔している。

He regrets to inform us that the experiment failed.
→ 彼は実験が失敗したことを私たちに知らせるのを残念に思う。

The team denied having leaked the test labels.
→ チームはテストラベルを漏らしたことを否定した。

The model improved after being trained on cleaner data.
→ そのモデルは、よりきれいなデータで訓練されたあと改善した。

She apologized for not having checked the output carefully.
→ 彼女は出力を注意深く確認していなかったことを謝った。

分詞の細かい論点

分詞・分詞構文はすでに多く入っていますが、まだ整理したい点があります。

足りない論点

  • 限定用法と叙述用法

  • 感情を表す分詞

    • interesting / interested
    • surprising / surprised

  • 分詞の意味上の主語

  • 分詞構文の接続詞つき表現

    • when using
    • while training
    • if given

  • 独立分詞構文

  • with + O + C の細分類

  • 受け身の分詞構文

  • 完了分詞構文 having done

  • 完了受動分詞構文 having been done

例文

The running experiment needs more memory.
→ 実行中の実験はより多くのメモリを必要とする。

The experiment is running.
→ その実験は実行中だ。

The result is surprising.
→ その結果は驚くべきものだ。

The researchers were surprised.
→ 研究者たちは驚いた。

When using this framework, you should check the version carefully.
→ このフレームワークを使うときは、バージョンを注意深く確認すべきだ。

If given enough data, the model performs much better.
→ 十分なデータが与えられれば、そのモデルはずっとよく動く。

The server being down, we postponed the experiment.
→ サーバーが停止していたので、私たちは実験を延期した。

She trained the model with the GPU running at full speed.
→ 彼女はGPUを全速で動かしながらモデルを訓練した。

Having checked the logs, we found the source of the bug.
→ ログを確認したあとで、私たちはバグの原因を見つけた。

Having been trained on larger data, the model generalized better.
→ より大きなデータで訓練されていたため、そのモデルはよりよく汎化した。

助動詞の発展論点

助動詞はありますが、完了用法や特殊用法がまだ弱いです。

足りない論点

  • 助動詞 + 完了

    • must have done
    • may have done
    • might have done
    • should have done
    • cannot have done

  • will の習慣用法

  • would の習慣用法

  • shall の提案・法律文

  • need の助動詞用法

  • dare の助動詞用法

例文

She must have optimized the training loop.
→ 彼女は学習ループを最適化したに違いない。

The error may have come from the preprocessing step.
→ そのエラーは前処理工程から来たのかもしれない。

The model might have overfitted after epoch twenty.
→ そのモデルは20エポック以降に過学習したのかもしれない。

You should have normalized the input features.
→ 入力特徴量を正規化すべきだったのに。

This bug cannot have come from the dataset alone.
→ このバグがデータセットだけに由来するはずがない。

The old server will crash when overloaded.
→ その古いサーバーは過負荷になるとよく落ちる。

During the summer, the old GPU cluster would fail every week.
→ 夏の間、その古いGPUクラスタは毎週のように故障した。

Shall we rerun the experiment?
→ 実験をやり直しましょうか。

Need we retrain the model from scratch?
→ 私たちはそのモデルをゼロから再学習する必要がありますか。

How dare he deploy without testing?
→ テストなしでデプロイするなんて、彼はなんて大胆なんだ。

時制の発展

時制は基本がありますが、発展形がまだ不足しています。

足りない論点

  • 現在完了進行形
  • 過去完了進行形
  • 未来進行形
  • 未来完了進行形
  • 時制の一致
  • 未来を表す現在形
  • 未来を表す現在進行形

例文

We have been training the model for twelve hours.
→ 私たちは12時間ずっとそのモデルを学習させている。

They had been tuning the hyperparameters before the benchmark started.
→ ベンチマークが始まる前、彼らはずっとハイパーパラメータを調整していた。

This time tomorrow, we will be testing the new pipeline.
→ 明日の今ごろ、私たちは新しいパイプラインをテストしているだろう。

By next week, we will have been running this experiment for a month.
→ 来週までには、私たちはこの実験を1か月間ずっと続けていることになる。

She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。

The next evaluation starts at 10 a.m. tomorrow.
→ 次の評価は明日午前10時に始まる。

We are presenting the results tomorrow.
→ 私たちは明日結果を発表する予定だ。

受動態の発展

受動態も、さらに細かい部分があります。

足りない論点

  • 助動詞つき受動態 can be used
  • 完了形の受動態 has been trained
  • 完了進行との区別
  • 群動詞の受動態の強化
  • by 以外の前置詞を取る受動態
  • S is said to V
  • It is said that S V

例文

This model can be deployed on edge devices.
→ このモデルはエッジデバイスにデプロイできる。

The system has been tested under heavy load.
→ そのシステムは高負荷下でテストされてきた。

The model has been trained on multilingual data.
→ そのモデルは多言語データで訓練されてきた。

The logs were looked into by the engineering team.
→ ログはエンジニアリングチームによって調査された。

The researcher is interested in multimodal systems.
→ その研究者はマルチモーダルシステムに興味がある。

This architecture is said to be robust.
→ このアーキテクチャは堅牢だと言われている。

It is said that this architecture is robust.
→ このアーキテクチャは堅牢だと言われている。

比較の細かい論点

比較はかなりありますが、発展表現が残っています。

足りない論点

  • no more than
  • not more than
  • no less than
  • not less than
  • more A than B
  • know better than to V
  • B is to A what X is to Y
  • all the 比較級 for ...
  • none the 比較級 for ...
  • ラテン比較

例文

The model used no more than 2 GB of memory.
→ そのモデルは2GBしかメモリを使わなかった。

The system used not more than 2 GB of memory.
→ そのシステムは多くても2GBまでしかメモリを使わなかった。

The new method is no less efficient than the baseline.
→ その新しい手法はベースラインに劣らず効率的だ。

This result is not less important than the accuracy score.
→ この結果は精度スコアに劣らず重要だ。

This framework is more practical than elegant.
→ このフレームワークは洗練されているというより実用的だ。

He knew better than to deploy without testing.
→ 彼はテストなしでデプロイするほど愚かではなかった。

This benchmark is to model evaluation what unit tests are to software.
→ このベンチマークは、ソフトウェアにおけるユニットテストに当たるものがモデル評価において果たす役割を持つ。

The model is all the better for having cleaner labels.
→ そのモデルはラベルがよりきれいだったおかげで、いっそう良くなっている。

The framework is none the worse for being simple.
→ そのフレームワークは単純だからといって少しも悪くない。

代名詞・限定詞の細部

代名詞は独立して整理すると大事です。

足りない論点

  • 人称代名詞
  • 所有代名詞
  • 再帰代名詞
  • 指示代名詞
  • 不定代名詞
  • another / other / the other / others / the others
  • some / any
  • each / every
  • either / neither
  • both / all

例文

It is difficult to run this model on my laptop.
→ このモデルを私のノートPCで動かすのは難しい。

This is my dataset, and that is yours.
→ これは私のデータセットで、あれはあなたのものだ。

The model improved itself through repeated fine-tuning.
→ そのモデルは繰り返しの微調整によって自ら改善した。

Some datasets are public, but others are private.
→ 公開されているデータセットもあれば、非公開のものもある。

Each model has its own bias.
→ 各モデルにはそれぞれ固有の偏りがある。

Neither result was reproducible.
→ どちらの結果も再現できなかった。

Both experiments were successful.
→ 両方の実験は成功した。

名詞・冠詞の細部

名詞と冠詞の細かな整理も必要です。

足りない論点

  • 可算名詞と不可算名詞
  • 単数・複数
  • 無冠詞表現
  • 抽象名詞・物質名詞・集合名詞
  • school / bed / home / work などの無冠詞
  • 固有名詞につく the
  • 数量表現全般

例文

We need more information about the dataset.
→ 私たちはそのデータセットについてもっと情報が必要だ。

The engineers went to work early.
→ そのエンジニアたちは早く仕事に行った。

Training requires patience.
→ 学習には忍耐が必要だ。

The data is noisy.
→ そのデータはノイズが多い。

A model needs data, but data alone is not enough.
→ モデルにはデータが必要だが、データだけでは十分ではない。

The Amazon is not the same as Amazon.
→ the Amazon と Amazon は同じではない。

形容詞・副詞の語法の細部

形容詞と副詞の位置や意味差も重要です。

足りない論点

  • 形容詞の限定用法・叙述用法

  • 副詞の位置

  • only のかかる位置

  • even, almost, already, yet, still

  • hard / hardly

  • late / lately

  • near / nearly

  • most の用法

    • 最上級
    • 非常に

例文

The only model that passed was the smaller one.
→ 合格した唯一のモデルは、より小さい方だった。

The server is still running.
→ そのサーバーはまだ動いている。

We have already tested the pipeline.
→ 私たちはすでにそのパイプラインをテストした。

The engineer hardly slept during the training run.
→ そのエンジニアは学習実行中ほとんど眠らなかった。

The update arrived late.
→ その更新は遅れて届いた。

Lately, we have been focusing on robustness.
→ 最近、私たちは頑健性に重点を置いている。

This is a most useful visualization.
→ これは非常に役立つ可視化だ。

仮定法の発展

仮定法にも発展表現があります。

足りない論点

  • if 省略倒置

    • Were I ...
    • Had I ...
    • Should you ...

  • would rather + S + 過去形

  • It is essential that S (should) V

  • lest S should V

  • for fear that S should V

  • but for

  • without

例文

Had we used a larger dataset, the result would have improved.
→ もしより大きなデータセットを使っていたら、結果は改善していただろう。

Were I in charge of the project, I would simplify the pipeline.
→ もし私がそのプロジェクトの責任者なら、パイプラインをもっと単純にするだろう。

Should you encounter an error, restart the service.
→ 万が一エラーに遭遇したら、そのサービスを再起動しなさい。

I would rather the team retrained the model.
→ チームにそのモデルを再学習してほしい。

It is essential that every experiment be reproducible.
→ すべての実験が再現可能であることが不可欠だ。

We backed up the logs lest the server should fail.
→ サーバーが落ちるといけないので、私たちはログをバックアップした。

Without version control, the project would collapse.
→ バージョン管理がなければ、そのプロジェクトは崩壊するだろう。

話法

話法はまだほとんど入っていません。

足りない論点

  • 直接話法
  • 間接話法
  • 時制の一致
  • 代名詞の変化
  • 時・場所の変化
  • 命令文・疑問文の話法転換

例文

She said, "This model is unstable."
→ 彼女は「このモデルは不安定だ」と言った。

She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。

He asked, "Did you test the pipeline?"
→ 彼は「パイプラインをテストしましたか」と尋ねた。

He asked whether we had tested the pipeline.
→ 彼は私たちがパイプラインをテストしたかどうか尋ねた。

The manager said, "Rerun the experiment."
→ マネージャーは「実験をやり直しなさい」と言った。

The manager told us to rerun the experiment.
→ マネージャーは私たちに実験をやり直すよう命じた。

一致・省略・倒置・強調

この分野も独立整理が必要です。

足りない論点

  • 主語と動詞の一致
  • 代名詞の一致
  • 時制の一致
  • 共通部分の省略
  • 比較での省略
  • 倒置
  • 強調構文 It is ... that ...

例文

Not only the optimizer but also the dataset affects the result.
→ オプティマイザだけでなく、データセットも結果に影響する。

Neither the labels nor the images were clean.
→ ラベルも画像もきれいではなかった。

The new model is more stable than the old one is.
→ 新しいモデルは古いものより安定している。

Never have I seen such unstable training.
→ これほど不安定な学習を私は見たことがない。

It was this preprocessing step that improved accuracy.
→ 精度を改善したのはこの前処理の工程だった。

重要構文

最後に、文型を超えた重要構文があります。

足りない論点

  • 形式主語 it
  • 形式目的語 it
  • S + V + O + C
  • S + V + O + to be C
  • make / find / think / consider + O + C
  • There is / There are の拡張
  • seem / appear / happen / prove + to V
  • A is said to V

例文

It is important to validate the model carefully.
→ そのモデルを注意深く検証することは重要だ。

We found it difficult to reproduce the experiment.
→ 私たちはその実験を再現するのは難しいと分かった。

The team considered the result significant.
→ チームはその結果を重要だと考えた。

The researcher believed the method to be effective.
→ その研究者はその手法は有効だと考えた。

There appears to be a memory leak in the pipeline.
→ そのパイプラインにはメモリリークがあるようだ。

The model seems to perform well on unseen data.# 英文法でまだ足りない細目一覧

例文あり・最初から整理版

今の第0章〜第25章はかなり広くまとまっていますが、英文法全体として見ると、まだ補いたい細目がいくつもあります。
以下、章ではなく論点ごとに、機械学習・Python系の英語例文つきで最初から整理します。

接続詞まわりの細部

今の内容では、関係代名詞・関係副詞までは入っていますが、接続詞の使い分けがまだ不足しています。

足りない論点

  • that 節の省略

  • whether と if の使い分け

  • because / since / as の違い

  • when / while / as の違い

  • if / unless / provided / supposing の違い

  • though / although / even though / even if の違い

  • 相関接続詞

    • both A and B
    • either A or B
    • neither A nor B
    • not only A but also B

例文

I think (that) this model will generalize well.
→ 私はこのモデルはうまく汎化すると思う。

We do not know whether the dataset is biased.
→ 私たちはそのデータセットに偏りがあるかどうか分からない。

If the validation loss increases, we stop training.
→ 検証損失が増えたら、私たちは学習を止める。

Unless we reduce the batch size, the GPU will run out of memory.
→ バッチサイズを減らさない限り、GPUメモリは足りなくなる。

Although the model is simple, it performs well.
→ そのモデルは単純だが、性能はよい。

Not only the optimizer but also the scheduler affects convergence.
→ オプティマイザだけでなく、スケジューラも収束に影響する。

不定詞の細かい論点

不定詞はかなり入っていますが、まだ細かい重要論点が残っています。

足りない論点

  • for + 人 + to V

  • of + 人 + to V

  • 独立不定詞

    • to tell the truth
    • to be frank
    • to begin with

  • too ... to V

  • enough to V

  • so ... as to V

  • only to V

  • be to V

    • 予定
    • 義務
    • 可能
    • 運命

  • 不定詞の受動態 to be used

  • 不定詞の完了受動態 to have been used

例文

It is important for beginners to understand gradient descent.
→ 初心者が勾配降下法を理解することは重要だ。

It was kind of her to share the dataset.
→ データセットを共有してくれるなんて彼女は親切だった。

To tell the truth, this benchmark is too small.
→ 実を言うと、このベンチマークは小さすぎる。

The dataset is too noisy to use.
→ そのデータセットはノイズが多すぎて使えない。

The server is powerful enough to handle the workload.
→ そのサーバーはその負荷を処理できるほど十分に高性能だ。

The model was fine-tuned so as to reduce latency.
→ そのモデルはレイテンシを下げるために微調整された。

He trained the model for hours, only to find that the labels were wrong.
→ 彼は何時間もモデルを学習させたが、結局ラベルが間違っていると分かった。

The new pipeline is to be deployed next week.
→ その新しいパイプラインは来週デプロイされる予定だ。

This library seems to have been designed for rapid prototyping.
→ このライブラリは高速試作向けに設計されたようだ。

動名詞の細かい論点

動名詞も基礎はありますが、意味差や発展形がまだ不足しています。

足りない論点

  • 動名詞と不定詞で意味が変わる動詞

    • stop
    • try
    • forget
    • regret
    • go on

  • 完了形動名詞

  • 受動態の動名詞 being + 過去分詞

  • 否定完了形動名詞 not having + 過去分詞

例文

He stopped training the model.
→ 彼はモデルの学習をやめた。

He stopped to check the logs.
→ 彼はログを確認するために立ち止まった。

I tried restarting the server.
→ 私はサーバーを再起動してみた。

I tried to restart the server.
→ 私はサーバーを再起動しようとした。

I forgot sending the file.
→ 私はそのファイルを送ったことを忘れていた。

I forgot to send the file.
→ 私はそのファイルを送るのを忘れた。

He regrets deleting the logs.
→ 彼はログを削除したことを後悔している。

He regrets to inform us that the experiment failed.
→ 彼は実験が失敗したことを私たちに知らせるのを残念に思う。

The team denied having leaked the test labels.
→ チームはテストラベルを漏らしたことを否定した。

The model improved after being trained on cleaner data.
→ そのモデルは、よりきれいなデータで訓練されたあと改善した。

She apologized for not having checked the output carefully.
→ 彼女は出力を注意深く確認していなかったことを謝った。

分詞の細かい論点

分詞・分詞構文はすでに多く入っていますが、まだ整理したい点があります。

足りない論点

  • 限定用法と叙述用法

  • 感情を表す分詞

    • interesting / interested
    • surprising / surprised

  • 分詞の意味上の主語

  • 分詞構文の接続詞つき表現

    • when using
    • while training
    • if given

  • 独立分詞構文

  • with + O + C の細分類

  • 受け身の分詞構文

  • 完了分詞構文 having done

  • 完了受動分詞構文 having been done

例文

The running experiment needs more memory.
→ 実行中の実験はより多くのメモリを必要とする。

The experiment is running.
→ その実験は実行中だ。

The result is surprising.
→ その結果は驚くべきものだ。

The researchers were surprised.
→ 研究者たちは驚いた。

When using this framework, you should check the version carefully.
→ このフレームワークを使うときは、バージョンを注意深く確認すべきだ。

If given enough data, the model performs much better.
→ 十分なデータが与えられれば、そのモデルはずっとよく動く。

The server being down, we postponed the experiment.
→ サーバーが停止していたので、私たちは実験を延期した。

She trained the model with the GPU running at full speed.
→ 彼女はGPUを全速で動かしながらモデルを訓練した。

Having checked the logs, we found the source of the bug.
→ ログを確認したあとで、私たちはバグの原因を見つけた。

Having been trained on larger data, the model generalized better.
→ より大きなデータで訓練されていたため、そのモデルはよりよく汎化した。

助動詞の発展論点

助動詞はありますが、完了用法や特殊用法がまだ弱いです。

足りない論点

  • 助動詞 + 完了

    • must have done
    • may have done
    • might have done
    • should have done
    • cannot have done

  • will の習慣用法

  • would の習慣用法

  • shall の提案・法律文

  • need の助動詞用法

  • dare の助動詞用法

例文

She must have optimized the training loop.
→ 彼女は学習ループを最適化したに違いない。

The error may have come from the preprocessing step.
→ そのエラーは前処理工程から来たのかもしれない。

The model might have overfitted after epoch twenty.
→ そのモデルは20エポック以降に過学習したのかもしれない。

You should have normalized the input features.
→ 入力特徴量を正規化すべきだったのに。

This bug cannot have come from the dataset alone.
→ このバグがデータセットだけに由来するはずがない。

The old server will crash when overloaded.
→ その古いサーバーは過負荷になるとよく落ちる。

During the summer, the old GPU cluster would fail every week.
→ 夏の間、その古いGPUクラスタは毎週のように故障した。

Shall we rerun the experiment?
→ 実験をやり直しましょうか。

Need we retrain the model from scratch?
→ 私たちはそのモデルをゼロから再学習する必要がありますか。

How dare he deploy without testing?
→ テストなしでデプロイするなんて、彼はなんて大胆なんだ。

時制の発展

時制は基本がありますが、発展形がまだ不足しています。

足りない論点

  • 現在完了進行形
  • 過去完了進行形
  • 未来進行形
  • 未来完了進行形
  • 時制の一致
  • 未来を表す現在形
  • 未来を表す現在進行形

例文

We have been training the model for twelve hours.
→ 私たちは12時間ずっとそのモデルを学習させている。

They had been tuning the hyperparameters before the benchmark started.
→ ベンチマークが始まる前、彼らはずっとハイパーパラメータを調整していた。

This time tomorrow, we will be testing the new pipeline.
→ 明日の今ごろ、私たちは新しいパイプラインをテストしているだろう。

By next week, we will have been running this experiment for a month.
→ 来週までには、私たちはこの実験を1か月間ずっと続けていることになる。

She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。

The next evaluation starts at 10 a.m. tomorrow.
→ 次の評価は明日午前10時に始まる。

We are presenting the results tomorrow.
→ 私たちは明日結果を発表する予定だ。

受動態の発展

受動態も、さらに細かい部分があります。

足りない論点

  • 助動詞つき受動態 can be used
  • 完了形の受動態 has been trained
  • 完了進行との区別
  • 群動詞の受動態の強化
  • by 以外の前置詞を取る受動態
  • S is said to V
  • It is said that S V

例文

This model can be deployed on edge devices.
→ このモデルはエッジデバイスにデプロイできる。

The system has been tested under heavy load.
→ そのシステムは高負荷下でテストされてきた。

The model has been trained on multilingual data.
→ そのモデルは多言語データで訓練されてきた。

The logs were looked into by the engineering team.
→ ログはエンジニアリングチームによって調査された。

The researcher is interested in multimodal systems.
→ その研究者はマルチモーダルシステムに興味がある。

This architecture is said to be robust.
→ このアーキテクチャは堅牢だと言われている。

It is said that this architecture is robust.
→ このアーキテクチャは堅牢だと言われている。

比較の細かい論点

比較はかなりありますが、発展表現が残っています。

足りない論点

  • no more than
  • not more than
  • no less than
  • not less than
  • more A than B
  • know better than to V
  • B is to A what X is to Y
  • all the 比較級 for ...
  • none the 比較級 for ...
  • ラテン比較

例文

The model used no more than 2 GB of memory.
→ そのモデルは2GBしかメモリを使わなかった。

The system used not more than 2 GB of memory.
→ そのシステムは多くても2GBまでしかメモリを使わなかった。

The new method is no less efficient than the baseline.
→ その新しい手法はベースラインに劣らず効率的だ。

This result is not less important than the accuracy score.
→ この結果は精度スコアに劣らず重要だ。

This framework is more practical than elegant.
→ このフレームワークは洗練されているというより実用的だ。

He knew better than to deploy without testing.
→ 彼はテストなしでデプロイするほど愚かではなかった。

This benchmark is to model evaluation what unit tests are to software.
→ このベンチマークは、ソフトウェアにおけるユニットテストに当たるものがモデル評価において果たす役割を持つ。

The model is all the better for having cleaner labels.
→ そのモデルはラベルがよりきれいだったおかげで、いっそう良くなっている。

The framework is none the worse for being simple.
→ そのフレームワークは単純だからといって少しも悪くない。

代名詞・限定詞の細部

代名詞は独立して整理すると大事です。

足りない論点

  • 人称代名詞
  • 所有代名詞
  • 再帰代名詞
  • 指示代名詞
  • 不定代名詞
  • another / other / the other / others / the others
  • some / any
  • each / every
  • either / neither
  • both / all

例文

It is difficult to run this model on my laptop.
→ このモデルを私のノートPCで動かすのは難しい。

This is my dataset, and that is yours.
→ これは私のデータセットで、あれはあなたのものだ。

The model improved itself through repeated fine-tuning.
→ そのモデルは繰り返しの微調整によって自ら改善した。

Some datasets are public, but others are private.
→ 公開されているデータセットもあれば、非公開のものもある。

Each model has its own bias.
→ 各モデルにはそれぞれ固有の偏りがある。

Neither result was reproducible.
→ どちらの結果も再現できなかった。

Both experiments were successful.
→ 両方の実験は成功した。

名詞・冠詞の細部

名詞と冠詞の細かな整理も必要です。

足りない論点

  • 可算名詞と不可算名詞
  • 単数・複数
  • 無冠詞表現
  • 抽象名詞・物質名詞・集合名詞
  • school / bed / home / work などの無冠詞
  • 固有名詞につく the
  • 数量表現全般

例文

We need more information about the dataset.
→ 私たちはそのデータセットについてもっと情報が必要だ。

The engineers went to work early.
→ そのエンジニアたちは早く仕事に行った。

Training requires patience.
→ 学習には忍耐が必要だ。

The data is noisy.
→ そのデータはノイズが多い。

A model needs data, but data alone is not enough.
→ モデルにはデータが必要だが、データだけでは十分ではない。

The Amazon is not the same as Amazon.
→ the Amazon と Amazon は同じではない。

形容詞・副詞の語法の細部

形容詞と副詞の位置や意味差も重要です。

足りない論点

  • 形容詞の限定用法・叙述用法

  • 副詞の位置

  • only のかかる位置

  • even, almost, already, yet, still

  • hard / hardly

  • late / lately

  • near / nearly

  • most の用法

    • 最上級
    • 非常に

例文

The only model that passed was the smaller one.
→ 合格した唯一のモデルは、より小さい方だった。

The server is still running.
→ そのサーバーはまだ動いている。

We have already tested the pipeline.
→ 私たちはすでにそのパイプラインをテストした。

The engineer hardly slept during the training run.
→ そのエンジニアは学習実行中ほとんど眠らなかった。

The update arrived late.
→ その更新は遅れて届いた。

Lately, we have been focusing on robustness.
→ 最近、私たちは頑健性に重点を置いている。

This is a most useful visualization.
→ これは非常に役立つ可視化だ。

仮定法の発展

仮定法にも発展表現があります。

足りない論点

  • if 省略倒置

    • Were I ...
    • Had I ...
    • Should you ...

  • would rather + S + 過去形

  • It is essential that S (should) V

  • lest S should V

  • for fear that S should V

  • but for

  • without

例文

Had we used a larger dataset, the result would have improved.
→ もしより大きなデータセットを使っていたら、結果は改善していただろう。

Were I in charge of the project, I would simplify the pipeline.
→ もし私がそのプロジェクトの責任者なら、パイプラインをもっと単純にするだろう。

Should you encounter an error, restart the service.
→ 万が一エラーに遭遇したら、そのサービスを再起動しなさい。

I would rather the team retrained the model.
→ チームにそのモデルを再学習してほしい。

It is essential that every experiment be reproducible.
→ すべての実験が再現可能であることが不可欠だ。

We backed up the logs lest the server should fail.
→ サーバーが落ちるといけないので、私たちはログをバックアップした。

Without version control, the project would collapse.
→ バージョン管理がなければ、そのプロジェクトは崩壊するだろう。

話法

話法はまだほとんど入っていません。

足りない論点

  • 直接話法
  • 間接話法
  • 時制の一致
  • 代名詞の変化
  • 時・場所の変化
  • 命令文・疑問文の話法転換

例文

She said, "This model is unstable."
→ 彼女は「このモデルは不安定だ」と言った。

She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。

He asked, "Did you test the pipeline?"
→ 彼は「パイプラインをテストしましたか」と尋ねた。

He asked whether we had tested the pipeline.
→ 彼は私たちがパイプラインをテストしたかどうか尋ねた。

The manager said, "Rerun the experiment."
→ マネージャーは「実験をやり直しなさい」と言った。

The manager told us to rerun the experiment.
→ マネージャーは私たちに実験をやり直すよう命じた。

一致・省略・倒置・強調

この分野も独立整理が必要です。

足りない論点

  • 主語と動詞の一致
  • 代名詞の一致
  • 時制の一致
  • 共通部分の省略
  • 比較での省略
  • 倒置
  • 強調構文 It is ... that ...

例文

Not only the optimizer but also the dataset affects the result.
→ オプティマイザだけでなく、データセットも結果に影響する。

Neither the labels nor the images were clean.
→ ラベルも画像もきれいではなかった。

The new model is more stable than the old one is.
→ 新しいモデルは古いものより安定している。

Never have I seen such unstable training.
→ これほど不安定な学習を私は見たことがない。

It was this preprocessing step that improved accuracy.
→ 精度を改善したのはこの前処理の工程だった。

重要構文

最後に、文型を超えた重要構文があります。

足りない論点

  • 形式主語 it
  • 形式目的語 it
  • S + V + O + C
  • S + V + O + to be C
  • make / find / think / consider + O + C
  • There is / There are の拡張
  • seem / appear / happen / prove + to V
  • A is said to V

例文

It is important to validate the model carefully.
→ そのモデルを注意深く検証することは重要だ。

We found it difficult to reproduce the experiment.
→ 私たちはその実験を再現するのは難しいと分かった。

The team considered the result significant.
→ チームはその結果を重要だと考えた。

The researcher believed the method to be effective.
→ その研究者はその手法は有効だと考えた。

There appears to be a memory leak in the pipeline.
→ そのパイプラインにはメモリリークがあるようだ。

The model seems to perform well on unseen data.
→ そのモデルは未知データでもうまく動くようだ。

This method is said to reduce latency.
→ この手法はレイテンシを減らすと言われている。

→ そのモデルは未知データでもうまく動くようだ。

This method is said to reduce latency.
→ この手法はレイテンシを減らすと言われている。

仮定法まわりで足りない文法

1. 混合仮定法

過去の事実と現在の結果をつなぐ形です。
仮定法の発展でかなり重要です。

例文
If we had used a larger dataset, the model would be more robust now.
→ もしもっと大きなデータセットを使っていたら、そのモデルは今もっと頑健だろう。

2. 倒置仮定法

if を省略して倒置する形です。
書き言葉でよく出ます。

例文
Were I a GPU, I would process this batch much faster.
→ もし私がGPUなら、このバッチをもっと速く処理できるだろう。

Had we backed up the logs, we could have found the bug sooner.
→ もしログをバックアップしていたら、もっと早くバグを見つけられただろう。

Should the server fail, the training will stop automatically.
→ 万が一サーバーが落ちたら、学習は自動で停止する。

3. if only

I wish より感情が強い「〜だったらなあ」です。

例文
If only we had tested the model more carefully.
→ もっと注意深くモデルをテストしていればなあ。

If only this GPU were faster.
→ このGPUがもっと速ければなあ。

4. would rather + S + 過去形

「むしろ〜してほしい」です。
仮定法扱いになる重要表現です。

例文
I would rather the team retrained the model.
→ チームにそのモデルを再学習してほしい。

We would rather he did not deploy the system today.
→ 私たちは彼に今日そのシステムをデプロイしてほしくない。

5. as if / as though の現実的用法との違い

仮定法だけでなく、現実味が高いと普通の時制も使えます。
この区別が入ると説明が一段深くなります。

例文
It looks as if the training is going well.
→ 学習は順調に進んでいるように見える。

He talks as if he were the only expert.
→ 彼はまるで自分だけが専門家であるかのように話す。

6. wish と hope の使い分け

これは記事内で軽く触れてもよい重要論点です。

例文
I wish we had more GPU memory.
→ GPUメモリがもっとあればいいのに。

I hope we will get more GPU memory next month.
→ 来月もっとGPUメモリが手に入るといいな。

7. It is essential that S (should) V

仮定法現在です。
受験英文法ではかなり重要です。

例文
It is essential that every experiment be reproducible.
→ すべての実験が再現可能であることが不可欠だ。

It is important that the model be tested on unseen data.
→ そのモデルが未知データでテストされることが重要だ。

8. lest / for fear that

「〜するといけないから」です。
古めですが文法項目としては重要です。

例文
We saved the checkpoints lest the server should crash.
→ サーバーが落ちるといけないので、私たちはチェックポイントを保存した。

He lowered the batch size for fear that the GPU memory would run out.
→ GPUメモリが足りなくなるといけないので、彼はバッチサイズを下げた。

9. but for / without

if it were not for の言いかえです。

例文
Without CUDA, this training would take days.
→ CUDAがなければ、この学習には何日もかかるだろう。

But for the backup, we would have lost the dataset.
→ バックアップがなければ、私たちはデータセットを失っていただろう。

仮定法記事に加えると強い関連文法

10. 助動詞完了との違い

仮定法過去完了と混同しやすいので、比較すると親切です。

例文
You should have checked the labels.
→ ラベルを確認すべきだったのに。

If you had checked the labels, the result would have improved.
→ もしラベルを確認していたら、結果は改善していただろう。

11. 時制の一致との違い

間接話法の過去形と仮定法の過去形は見た目が似るので、ここを整理すると理解が深まります。

例文
She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。
これは時制の一致。

If the model were stable, we could deploy it.
→ もしそのモデルが安定していれば、私たちはそれをデプロイできるのに。
これは仮定法。

12. 命令・提案・要求の that 節

これも仮定法現在に近い範囲です。

例文
The professor suggested that we use a simpler model.
→ 教授は私たちにもっと単純なモデルを使うよう提案した。

The manager demanded that the logs be checked immediately.
→ マネージャーはログをすぐ確認するよう要求した。

Qiita記事を採点して見えた、仮定法パートで本当に足りない文法

機械学習の英語例文で補う発展ポイント整理

仮定法の記事は、wish、as if、It is time を中心にかなり丁寧に整理されていて、機械学習やPythonの例文も豊富です。
そのため、初学者が「仮定法って何が現実とズレているのか」をつかむには十分役立つ内容になっています。

ただ、シリーズ完結編、あるいは「大岩の英文法を機械学習文脈で最後までやり切る」という観点で見ると、まだ補いたい文法があります。
特に、記事内で「発展用法」として示唆されているのに本文では十分に扱われていないものは、文法的にも実用的にも重要です。

この記事では、そうした仮定法パートで本質的に足りないものを最優先で整理し、そのあとにシリーズ全体でまだ薄い英文法カテゴリもあわせてまとめます。
例文はすべて、機械学習、モデル訓練、GPU、論文、実験、データセットなどの文脈でそろえます。

1. 仮定法パートで最優先で足りないもの

1-1. if 省略倒置

Were / Had / Should + 主語 + ...

これは仮定法の発展として非常に重要です。
特に論文、技術文書、硬めの英語ではよく出ます。
if を省略して語順を倒置する形で、文の密度が高くなります。

基本形

  • Were + 主語 + ...
  • Had + 主語 + 過去分詞 ...
  • Should + 主語 + 動詞原形 ...

例文

Were the learning rate higher, the model would converge faster.
→ もし学習率がもっと高ければ、そのモデルはもっと速く収束するだろう。

Had we collected more data, the benchmark would have been more reliable.
→ もしもっと多くのデータを集めていたら、そのベンチマークはもっと信頼できるものになっていただろう。

Should the server fail, the training process will stop automatically.
→ 万が一サーバーが故障したら、学習プロセスは自動で停止する。

ポイント

ふつうの形に戻すと次のようになります。

If the learning rate were higher, the model would converge faster.

If we had collected more data, the benchmark would have been more reliable.

If the server should fail, the training process will stop automatically.

なぜ重要か

この形は、単に表現をかっこよくするためではありません。
技術英語では、条件をコンパクトに示したい場面が多く、倒置形はその要求に合っています。
仮定法を「発展」まで含めて理解するなら、この項目は外せません。

1-2. 混合仮定法の本格版

過去条件 + 現在結果

仮定法記事では混合仮定法に軽く触れるだけでも意味はありますが、本当に理解を深めるなら、ここはもう少し丁寧に扱いたいところです。

混合仮定法は、条件節と帰結節の時間がずれる仮定法です。
特に大事なのは、

  • 過去の行動が違っていたら、今の状態も違ったはずだ

というタイプです。

例文

If we had implemented early stopping last year, we wouldn't be overfitting now.
→ もし昨年アーリーストッピングを実装していたら、今こんなに過学習していないだろう。

If the team had documented the pipeline properly, new members would understand it now.
→ もしチームがパイプラインをきちんと文書化していたら、新メンバーは今それを理解できているだろう。

構造の見方

If we had implemented early stopping last year,
これは過去の事実に反する条件です。

we wouldn't be overfitting now.
これは現在の結果です。

つまり、

  • 条件は過去
  • 結果は現在

です。

逆方向の例

現在の条件が違えば、過去の結果も違っただろう、という逆向きの混合もあります。

If this model were more interpretable, the team would have deployed it already.
→ もしこのモデルがもっと解釈しやすければ、チームはすでにそれをデプロイしていただろう。

この場合は、

  • 条件は現在
  • 結果は過去

です。

なぜ重要か

研究や開発のふり返りでは、

  • 去年こうしていれば今は違った
  • 今の性能がこの程度なのは、過去の設計が原因だ

という言い方がとても多いです。
混合仮定法は、そうした思考を英語で表すのに向いています。

1-3. would rather / had better / It is time の整理

この3つは、見た目が少し似ているので混乱しやすいですが、意味はかなり違います。

would rather + S + 過去形

「〜してほしい」「〜のほうがよいと思う」という気持ちを表します。
仮定法の一種として扱われます。

I would rather the team retrained the model.
→ チームにそのモデルを再学習してほしい。

We would rather he did not deploy the system today.
→ 私たちは彼に今日そのシステムをデプロイしてほしくない。

ここでは、retrained や did not deploy は過去ではなく、現実に反する希望です。

had better + 動詞原形

これは仮定法ではなく、「〜したほうがよい」という強い助言です。

You had better reduce the batch size before training.
→ 学習前にバッチサイズを下げたほうがよい。

We had better check the labels again.
→ 私たちはラベルをもう一度確認したほうがよい。

It is time + S + 過去形

「もう〜してよい頃だ」「そろそろ〜すべきだ」を表します。
ここでは仮定法が使われます。

It is time we went back to a simpler baseline.
→ そろそろもっと単純なベースラインに戻ってもよい頃だ。

It is time the team updated the documentation.
→ そろそろチームがドキュメントを更新してもよい頃だ。

比較して見る

I would rather the team retrained the model.
→ チームに再学習してほしい。

The team had better retrain the model.
→ チームは再学習したほうがよい。

It is time the team retrained the model.
→ そろそろチームが再学習してもよい頃だ。

似て見えても、話し手の立場と圧力のかけ方が違います。

1-4. if only / would that / supposing / on condition that

仮定法の感情表現や条件表現として、このあたりもあると厚みが出ます。

if only

I wish より感情の強い「〜だったらなあ」です。

If only the accuracy were above 99%.
→ 精度が99%を超えていればなあ。

If only we had tested the model more carefully.
→ もっと注意深くモデルをテストしていればなあ。

would that

かなり文語的で古風ですが、強い願望を表します。

Would that we had more GPU memory.
→ GPUメモリがもっとあればなあ。

supposing

「もし〜だとしたら」のような仮定です。

Supposing the labels were wrong, how would the model behave?
→ もしラベルが間違っていたとしたら、そのモデルはどう振る舞うだろうか。

on condition that

「〜という条件で」を表します。

We will release the dataset on condition that it is anonymized.
→ 匿名化されることを条件に、私たちはそのデータセットを公開する。

なぜ足したいか

仮定法は、単に if と wish だけではありません。
感情や前提の強さを変える表現まで入ると、読者は「仮定法は1つの世界観なんだ」と理解しやすくなります。

1-5. lest / for fear that + (should) V

これは頻度こそ高くありませんが、技術文書や注意書きの英語では見かけることがあります。

lest

「〜しないように」「〜するといけないから」

We lowered the learning rate lest the model should diverge.
→ モデルが発散しないように、私たちは学習率を下げた。

for fear that

「〜するといけないので」

He saved the checkpoints for fear that the server should fail.
→ サーバーが故障するといけないので、彼はチェックポイントを保存した。

ポイント

ここでの should は義務ではなく、起こる可能性を控えめに言う形です。

2. 仮定法以外で、シリーズ全体にまだ足りないもの

仮定法がシリーズ最終章に置かれているなら、そこに至るまでに補っておきたい文法があります。
特に薄いものを優先度順に整理します。

2-1. 接続詞の細かい使い分け

関係詞が終わっても、接続詞の体系は別に必要です。
英語の文を長く読むには、ここが非常に重要です。

足りない論点

  • although / even though / even if
  • while / whereas
  • now that / in that
  • provided (that) / providing (that)
  • supposing (that)
  • whether ... or ...
  • not only ... but also ...
  • both ... and ...
  • neither ... nor ...

例文

Not only does it improve accuracy, but it also reduces training time.
→ それは精度を改善するだけでなく、学習時間も減らす。

Even if the model is accurate, it may still be unstable.
→ たとえそのモデルが高精度でも、なお不安定かもしれない。

While this method is simple, it is not always robust.
→ この手法は単純だが、常に頑健とは限らない。

Now that the dataset has been cleaned, we can start training.
→ データセットがきれいになったので、私たちは学習を始められる。

2-2. 助動詞完了形の全パターン

仮定法と助動詞完了は、見た目が似て混乱しやすいので、ここを独立して整理すると効果的です。

足りない論点

  • must have done
  • might have done
  • may have done
  • could have done
  • should have done
  • needn't have done
  • cannot have done

例文

The loss spiked; there must have been a data leak.
→ 損失が急増した。データリークがあったに違いない。

We could have reduced latency by simplifying the model.
→ モデルを単純化すれば、レイテンシを下げられたのに。

You should have checked the labels before training.
→ 学習前にラベルを確認すべきだったのに。

You needn't have rerun the whole experiment.
→ 実験全体をやり直す必要はなかったのに。

This bug cannot have come from the dataset alone.
→ このバグがデータセットだけに由来するはずがない。

2-3. 分詞構文の独立・完了・受動・with構文

分詞構文はすでに入っていても、研究英語で必要な強いバリエーションはまだあります。

足りない論点

  • 独立分詞構文
  • 完了分詞構文
  • 受動分詞構文
  • with + O + C の発展
  • having been done

例文

Having been trained on larger data, the model generalized better.
→ より大きなデータで訓練されていたため、そのモデルはよりよく汎化した。

With the model converged, we moved on to evaluation.
→ モデルが収束した状態で、私たちは評価へ進んだ。

The server being down, the experiment was postponed.
→ サーバーが停止していたので、実験は延期された。

2-4. 不定詞・動名詞の微妙な意味差

ここは受験でも実用でもつまずきやすいところです。
機械学習の例文で見せると理解しやすくなります。

足りない論点

  • remember + to do / doing
  • forget + to do / doing
  • regret + to do / doing
  • stop + to do / doing
  • try + to do / doing
  • mean + to do / doing
  • go on + to do / doing
  • 完了形動名詞

例文

I regret not having pretrained the model.
→ そのモデルを事前学習しておかなかったことを後悔している。

He stopped to check the validation loss.
→ 彼は検証損失を確認するために立ち止まった。

He stopped checking the validation loss.
→ 彼は検証損失を確認するのをやめた。

I remembered to save the checkpoints.
→ 私はチェックポイントを保存するのを覚えていた。

I remembered saving the checkpoints.
→ 私はチェックポイントを保存したことを覚えていた。

2-5. 時制の一致と話法

話法が抜けていると、英文法の体系として少し穴が残ります。

足りない論点

  • 直接話法
  • 間接話法
  • 時制後退
  • 時制後退しない例外
  • 代名詞・時・場所の変化
  • 命令文・疑問文の変換

例文

She said, "This model is unstable."
→ 彼女は「このモデルは不安定だ」と言った。

She said that the model was unstable.
→ 彼女はそのモデルは不安定だと言った。

He asked whether we had tested the pipeline.
→ 彼は私たちがパイプラインをテストしたかどうか尋ねた。

The manager told us to rerun the experiment.
→ マネージャーは私たちに実験をやり直すよう命じた。

2-6. 比較の特殊表現

比較は基本だけでなく、やや難しい構文もあります。

足りない論点

  • no more ... than
  • more A than B
  • 倒置を伴う比較表現
  • the + 比較級 ..., the + 比較級 ... の発展

例文

This model is no more interpretable than a black box.
→ このモデルはブラックボックスと同じくらい解釈しにくい。

This framework is more practical than elegant.
→ このフレームワークは洗練されているというより実用的だ。

The more diverse the data is, the more robust the model becomes.
→ データが多様であればあるほど、そのモデルはより頑健になる。

2-7. 冠詞・名詞の細部

ここは地味ですが、英文を書くとかなり差が出ます。

足りない論点

  • 無冠詞表現
  • go to school / go to bed / go home / go to work
  • 抽象名詞の the
  • 集合名詞
  • 可算・不可算の境界

例文

The engineers went to work early.
→ そのエンジニアたちは早く仕事に行った。

Training requires patience.
→ 学習には忍耐が必要だ。

The patience shown by the team was remarkable.
→ チームが示した忍耐は見事だった。

3. まとめ

仮定法パートで本当に補いたいものは、次です。

  • if 省略倒置
  • 混合仮定法の本格解説
  • would rather / had better / It is time の整理
  • if only / supposing / on condition that
  • lest / for fear that
6
5
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
6
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?