https://jun-s-blog.sakura.ne.jp/yoshi/eg.pdf
第3文型「SVO」
1. NumPy loads data.
2. Pandas reads a CSV file.
3. Matplotlib draws a graph.
4. scikit-learn trains a model.
5. TensorFlow builds a network.
目的語＋副詞句
6. NumPy saves an array to disk.
7. Pandas exports a file to Excel.
8. Matplotlib sends output to screen.
目的語となる不定詞・動名詞・名詞節
9. scikit-learn likes to fit models.
10. TensorFlow enjoys training models.
11. Pandas knows what to load.
12. NumPy knows that arrays are efficient.
⸻
第4文型「SVOO」
13. Pandas gives users a DataFrame.
14. Matplotlib shows us a chart.
15. scikit-learn teaches engineers a method.
16. NumPy sends developers a matrix.
to型（give/tell/show系）
17. TensorFlow gives a model to you.
18. PyTorch shows results to us.
19. Keras lends weights to the layer.
for型（buy/make系）
20. NumPy makes an array for you.
21. Pandas finds data for analysts.
22. Matplotlib cooks plots for students.
⸻
第5文型「SVOC」
23. scikit-learn makes training easy.
24. Pandas keeps the data clean.
25. NumPy finds arrays useful.
26. Matplotlib calls the figure beautiful.
原形不定詞（知覚動詞／使役動詞）
27. I saw TensorFlow train a model.
28. I heard PyTorch run inference.
29. The teacher let Pandas handle data.
30. We made NumPy compute results.
現在分詞補語
31. I heard scikit-learn processing features.
32. We saw Matplotlib drawing lines.
過去分詞補語
33. I heard PyTorch called by users.
34. We saw TensorFlow applied in industry.
① 不定詞（動詞の名詞的用法）
• scikit-learn likes to train models.
（scikit-learn はモデルを訓練するのが好きだ）
• TensorFlow decided to build a deep network.
• PyTorch wants to optimize parameters.
⸻
② 動名詞
• Keras enjoys training neural networks.
• NumPy finished loading arrays.
• Pandas avoided reading large files repeatedly.
⸻
③ 名詞節
• scikit-learn knows that cross-validation improves accuracy.
• TensorFlow understands what data to preprocess.
• PyTorch believes that GPUs are faster than CPUs.
⸻
④ 第4文型（SVOO）
• Pandas gave users a DataFrame.
• Matplotlib showed students a plot.
• scikit-learn taught engineers a new algorithm.
• NumPy sent developers an array.
⸻
⑤ 第3文型への書き換え
• Pandas gave her a DataFrame.
→ Pandas gave a DataFrame to her.
• scikit-learn taught us a method.
→ scikit-learn taught a method to us.
• NumPy made a graph for me.
→ NumPy made me a graph.
① to が必要な動詞
（give / tell / show / lend / send / teach）
• scikit-learn gave the students a simple regression model.
→ scikit-learn gave a simple regression model to the students.
• PyTorch told the engineers a trick.
→ PyTorch told a trick to the engineers.
• TensorFlow showed the team a graph.
→ TensorFlow showed a graph to the team.
• NumPy lent the researcher an array function.
→ NumPy lent an array function to the researcher.
• Pandas sent the users a DataFrame.
→ Pandas sent a DataFrame to the users.
• Keras taught the beginners a method.
→ Keras taught a method to the beginners.
⸻
② for が必要な動詞
（buy / get / make / cook / find / choose）
• TensorFlow bought a GPU for me.
• scikit-learn got a dataset for us.
• NumPy made a function for the team.
• Keras cooked an experiment for the students.
• Pandas found a solution for the engineers.
• Matplotlib chose a color map for me.
⸻
③ of が必要な表現
（ask a favor of …）
• I asked a favor of scikit-learn to run cross-validation.
• We asked a favor of TensorFlow to handle big data.
• She asked a favor of PyTorch to optimize the model.
（1）目的補語
• I call PyTorch powerful.
（私は PyTorch を「強力だ」と呼ぶ）
• Researchers keep TensorFlow open-source.
（研究者たちは TensorFlow をオープンソースのままにしている）
⸻
（2）第5文型の動詞（name / make / keep / think / find / elect）
• They named the library scikit-learn.
（彼らはそのライブラリを scikit-learn と名付けた）
• The experiment made the model unstable.
（その実験はモデルを不安定にした）
• Engineers think NumPy essential.
（エンジニアは NumPy を不可欠だと考える）
• We found Pandas useful.
（私たちは Pandas が役立つとわかった）
• The community elected Jupyter the standard tool.
（コミュニティは Jupyter を標準ツールに選んだ）
⸻
（3）第5文型と第4文型を作る動詞（make / find）
• Keras made me confident.
（Keras は私を自信がある状態にした）
• Keras made me a demo.
（Keras は私にデモを作ってくれた）
• We found the dataset large.
（私たちはそのデータセットが大きいとわかった）
• We found the dataset a challenge.
（私たちはそのデータセットを課題だと見つけた）
⸻
（4）補語になる原形不定詞（知覚動詞・使役動詞）
• I saw TensorFlow run the model.
（私は TensorFlow がモデルを動かすのを見た）
• We heard PyTorch load data.
（私たちは PyTorch がデータを読み込むのを聞いた）
• The professor made us use NumPy.
（教授は私たちに NumPy を使わせた）
• The trainer let the students test scikit-learn.
（講師は学生たちに scikit-learn を試させた）
⸻
（5）補語になる現在分詞・過去分詞
• I heard the model training data.
（私はモデルがデータを訓練しているのを聞いた）
• I heard the model trained by TensorFlow.
（私はモデルが TensorFlow によって訓練されているのを聞いた）
• We saw the results improving.
（私たちは結果が改善していくのを見た）
• We saw the results improved by optimization.
（私たちは結果が最適化によって改善されたのを見た）
（1）目的補語
• I call PyTorch powerful.
（私は PyTorch を「強力だ」と呼ぶ）
• Researchers keep TensorFlow open-source.
（研究者たちは TensorFlow をオープンソースのままにしている）
⸻
（2）第5文型の動詞（name / make / keep / think / find / elect）
• They named the library scikit-learn.
（彼らはそのライブラリを scikit-learn と名付けた）
• The experiment made the model unstable.
（その実験はモデルを不安定にした）
• Engineers think NumPy essential.
（エンジニアは NumPy を不可欠だと考える）
• We found Pandas useful.
（私たちは Pandas が役立つとわかった）
• The community elected Jupyter the standard tool.
（コミュニティは Jupyter を標準ツールに選んだ）
⸻
（3）第5文型と第4文型を作る動詞（make / find）
• Keras made me confident.
（Keras は私を自信がある状態にした）
• Keras made me a demo.
（Keras は私にデモを作ってくれた）
• We found the dataset large.
（私たちはそのデータセットが大きいとわかった）
• We found the dataset a challenge.
（私たちはそのデータセットを課題だと見つけた）
⸻
（4）補語になる原形不定詞（知覚動詞・使役動詞）
• I saw TensorFlow run the model.
（私は TensorFlow がモデルを動かすのを見た）
• We heard PyTorch load data.
（私たちは PyTorch がデータを読み込むのを聞いた）
• The professor made us use NumPy.
（教授は私たちに NumPy を使わせた）
• The trainer let the students test scikit-learn.
（講師は学生たちに scikit-learn を試させた）
⸻
（5）補語になる現在分詞・過去分詞
• I heard the model training data.
（私はモデルがデータを訓練しているのを聞いた）
• I heard the model trained by TensorFlow.
（私はモデルが TensorFlow によって訓練されているのを聞いた）
• We saw the results improving.
（私たちは結果が改善していくのを見た）
• We saw the results improved by optimization.
（私たちは結果が最適化によって改善されたのを見た）
5. 状態動詞と動作動詞 × 機械学習例文
5-1. 状態動詞は進行形にできない
• I know how PyTorch works.
（私は PyTorch の仕組みを知っている）
• I believe scikit-learn is useful.
（私は scikit-learn が便利だと信じている）
❌ I am knowing TensorFlow now. （進行形にできない）
⸻
5-2. 動作動詞は進行形にできる
• I am training a model with Keras now.
（私は今 Keras でモデルを訓練している）
• The algorithm is running on GPU.
（そのアルゴリズムは GPU 上で実行されている）
⸻
5-3. 注意すべき動詞 have / stand
• I have a dataset. （私はデータセットを持っている → 状態）
• I am having lunch while the model is training.
（モデルを訓練している間に昼食を食べている → 動作）
• Trees stand along the street.（木が通り沿いに立っている → 状態）
• Servers are standing in rows in the data center.
（データセンターにサーバーがずらりと立っている → 動作的に表現）
⸻
- 現在完了形 × 機械学習例文
6-1. 継続（ずっと〜している）
• I have used NumPy for five years.
（私は5年間 NumPy を使っている）
• We have trained this neural network since 2020.
（私たちは2020年からこのニューラルネットを訓練している）
⸻
6-2. 経験（〜したことがある）
• I have run TensorFlow many times before.
（私はこれまでに何度も TensorFlow を実行したことがある）
• He has never used PyTorch before.
（彼はこれまでに一度も PyTorch を使ったことがない）
• Have you ever been to a Kaggle competition?
（あなたは Kaggle コンペに参加したことがありますか）
⸻
6-3. 完了（ちょうど〜した / すでに〜した）
• She has just finished cleaning the dataset.
（彼女はちょうどデータセットのクリーニングを終えたところだ）
• The model has already converged.
（そのモデルはすでに収束してしまった）
• My colleague has gone to the data center.
（同僚はデータセンターに行ってしまった → 今ここにいない）
• My colleague has been to the data center.
（同僚はデータセンターに行ったことがある → 経験）
- 現在形・過去形・現在完了の違い
• 現在形
He trains models in PyTorch.
（彼は PyTorch でモデルを訓練する → 習慣・現在）
• 過去形
He trained models in TensorFlow last year.
（彼は去年 TensorFlow でモデルを訓練した → 過去の一点）
• 現在完了（経験）
He has trained models in TensorFlow before.
（彼は以前 TensorFlow でモデルを訓練したことがある → 今につながる経験）
• 現在完了（結果）
He has already finished training the dataset.
（彼はすでにデータセットの学習を終えてしまった → 今はタスクが残っていない）
• 過去形と現在完了の違い
My colleague went to the data center.（今はわからない → 行った事実）
My colleague has gone to the data center.（今ここにいない → 行ってしまった）
⸻
- 現在完了進行形（have/has + been + -ing）
• 継続
I have been training this neural network since this morning.
（私は今朝からずっとこのニューラルネットを訓練している）
• 否定
I haven’t been tuning the hyperparameters since yesterday.
（私は昨日からハイパーパラメータを調整していない）
• 疑問
How long has he been debugging the TensorFlow code?
（彼はどのくらい TensorFlow のコードをデバッグし続けているのか）
⸻
- 過去完了形（had + 過去分詞）
9-1. 継続
• I had been using scikit-learn for two years before I switched to PyTorch.
（私は PyTorch に切り替える前に、2年間 scikit-learn を使っていた）
9-2. 経験
• I had never joined a Kaggle competition before I graduated.
（私は卒業するまでに Kaggle コンペに一度も参加したことがなかった）
• Had you submitted any Kaggle notebooks before 2020?
（2020年以前に Kaggle ノートブックを提出したことがありますか？）
9-3. 完了
• I had already trained the model when my professor came to check.
（教授が確認に来たとき、私はすでにモデルを訓練し終えていた）
• I had not finished preprocessing the dataset when the deadline arrived.
（締切が来たとき、私はまだデータ前処理を終えていなかった）
⸻
-
疑問詞を用いた過去完了の疑問文
• What library had you used before you learned PyTorch?
（あなたは PyTorch を学ぶ前に、どのライブラリを使っていましたか？）
• Where had the dataset been stored before we uploaded it to Kaggle?
（そのデータセットは Kaggle にアップロードする前、どこに保存されていましたか？） -
過去完了（大過去）
• I lost the dataset which I had downloaded from Kaggle.
（私は Kaggle からダウンロードしたデータセットをなくした）
• He failed the experiment because he had forgotten to normalize the input data.
（彼は入力データを正規化し忘れていたので実験に失敗した）
⸻
過去完了進行形（had been + -ing）
• I had been training the model for two hours before my professor came to the lab.
（教授が研究室に来る前に、私は2時間モデルを訓練し続けていた）
• The server had been running TensorFlow jobs all night before it crashed.
（サーバーはクラッシュする前、一晩中 TensorFlow ジョブを走らせていた）
⸻
- 未来完了（will have + 過去分詞）
継続
• By next year, I will have worked on AI projects for five years.
（来年までに私は AI プロジェクトに5年間携わっていることになる）
経験
• If I submit another Kaggle notebook, I will have joined three competitions.
（もう一つノートブックを提出すれば、私は3つのコンペに参加したことになる）
• Will you have deployed a model to production before you graduate?
（卒業前にモデルを本番環境にデプロイしていることになりますか？）
完了
• I will have finished preprocessing the dataset when the hackathon starts.
（ハッカソンが始まるとき、私はデータセットの前処理を終えているだろう）
• I won’t have trained the model by the deadline.
（締切までにモデルを訓練し終えていないだろう）
⸻
未来完了進行形（will have been + -ing）
• By tomorrow morning, he will have been debugging the code for ten hours.
（明日の朝までに、彼は10時間コードをデバッグし続けているだろう）
• How long will you have been running this reinforcement learning experiment by next week?
（来週までに、この強化学習実験をどのくらい走らせ続けていることになりますか？）
⸻
- 不変の真理（現在形）
• The loss function decreases when the model learns correctly.
（モデルが正しく学習するとき、損失関数は減少する）
• Data is the fuel of machine learning.
（データは機械学習の燃料である）
• I knew that overfitting was dangerous.
（私は過学習が危険だと知っていた → 過去に即して過去形を使用）
⸻
- 確定した未来の予定（現在形）
• The seminar on deep learning starts next Monday.
（深層学習セミナーは来週の月曜日に始まる → 未来だが現在形を使用）
• The model training begins at 9 a.m. tomorrow.
（モデルの学習は明日の午前9時に始まる）