SUZ45

トップ　>　ヒトワカ　>　【作ってみた】無料生成AIで作成　>　【作ってみた】初心者向け：無料生成AIでプログラミングコードを作成（ChatGPT、Gemini）

【作ってみた】初心者向け：無料生成AIでプログラミングコードを作成（ChatGPT、Gemini）

はじめに

「【作ってみた】初心者向け：無料生成AIでプログラミングコードを作成」では、初心者向けに無料生成AIを使ってプログラミングコードを簡単に作成する方法を紹介します。AIツールを活用することで、プログラミング学習が効率的になり、実際のコード作成もスムーズに行えます。このサイトでは、AIを利用してプログラムの基本から応用まで学ぶことができ、初心者でも簡単にプログラミングコードを生成し、スキルアップを目指せます。

お題

各生成AIに、以下のお題で、プログラムミングコードを作成してもらいました。

お題

1ヶ月後のナスダック株価の終値を予想するPythonのプログラムを作ってください。APIを使うなら、無料のにしてください。

チャットで作る！

はじめに、コード生成AIというものは、初心者には、難しいのではないかと思います。

そこで、普通のチャットで、コードを生成してみました。

ChatGPT

まずは、ChatGPTにお願いしてみました。

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA

def fetch_nasdaq_data():
    ticker = "^IXIC"  # ナスダック総合指数
    data = yf.download(ticker, period="2y", interval="1d")
    return data["Close"]

def predict_nasdaq(data, days_ahead=22):
    # ARIMAモデルの適用
    model = ARIMA(data, order=(5,1,0))  # 適当なパラメータ (p,d,q)
    model_fit = model.fit()
    
    # 未来の株価を予測
    forecast = model_fit.forecast(steps=days_ahead)
    return forecast[-1]  # 1ヶ月後の予測値を取得

# データ取得
data = fetch_nasdaq_data()

# 予測実行
predicted_price = predict_nasdaq(data)

print(f"1ヶ月後のナスダック終値予測: {predicted_price:.2f} USD")

以上のコードを書いてもらったので、「Google colab（後述）」で、実行してみました。

ちなみに、事前にライブラリのインストールをしてください。

pip install yfinance scikit-learn pandas numpy

すると、以下のようなエラーが出ました。

こうして、エラーを修正していくわけですが、このくらいのプログラムなら、何回か直せば、動きます。

ただし、うまくいかない時は、いつまで経っても直らないので、初心者には、酷かも知れません。

以下が、一応、うまくいったコードです。

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA

def fetch_nasdaq_data():
    ticker = "^IXIC"  # ナスダック総合指数
    data = yf.download(ticker, period="2y", interval="1d", auto_adjust=False)
    data.index = pd.DatetimeIndex(data.index).to_period('D')  # インデックスの頻度設定
    return data["Close"]

def predict_nasdaq(data, days_ahead=22):
    # ARIMAモデルの適用
    model = ARIMA(data, order=(5,1,0))  # 適当なパラメータ (p,d,q)
    model_fit = model.fit()
    
    # 未来の株価を予測
    forecast = model_fit.forecast(steps=days_ahead)
    return forecast.iloc[-1]  # 1ヶ月後の予測値を取得

# データ取得
data = fetch_nasdaq_data()

# 予測実行
predicted_price = predict_nasdaq(data)

print(f"1ヶ月後のナスダック終値予測: {predicted_price:.2f} USD")

結果は、「1ヶ月後のナスダック終値予測: 18849.30 USD」ということでした。現在、3月4日なので、1ヶ月後、どうなることか。

Gemini

次に、Geminiにお願いしてみました。

import yfinance as yf
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def predict_nasdaq_price(days_ahead=30):
    """
    1ヶ月後のナスダック株価終値を予測する関数
    """

    # NASDAQの株価データを取得
    nasdaq = yf.Ticker("^IXIC")
    history = nasdaq.history(period="1y")  # 過去1年間のデータを使用

    # データを前処理
    df = history[['Close']].copy()
    df['Prediction'] = df[['Close']].shift(-days_ahead)

    X = np.array(df.drop(['Prediction'], 1))
    X = X[:-days_ahead]
    y = np.array(df['Prediction'])
    y = y[:-days_ahead]

    # データを訓練用とテスト用に分割
    x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

    # 線形回帰モデルを訓練
    model = LinearRegression()
    model.fit(x_train, y_train)

    # 最新の株価データを使用して予測
    last_data = np.array(df.drop(['Prediction'], 1))[-days_ahead:]
    prediction = model.predict(last_data)

    # 予測日を計算
    prediction_date = datetime.now() + timedelta(days=days_ahead)

    return prediction[0], prediction_date.strftime('%Y-%m-%d')

# 予測を実行
predicted_price, prediction_date = predict_nasdaq_price()
print(f"1ヶ月後({prediction_date})のナスダック終値予測: {predicted_price:.2f}")

実行すると、以下のようなエラーが出ました。

これを直すと・・・

import yfinance as yf
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def predict_nasdaq_price(days_ahead=30):
    """
    1ヶ月後のナスダック株価終値を予測する関数
    """

    # NASDAQの株価データを取得
    nasdaq = yf.Ticker("^IXIC")
    history = nasdaq.history(period="1y")  # 過去1年間のデータを使用

    # データを前処理
    df = history[['Close']].copy()
    df['Prediction'] = df[['Close']].shift(-days_ahead)

    # 修正箇所: axis=1をキーワード引数として指定
    X = np.array(df.drop(['Prediction'], axis=1))
    X = X[:-days_ahead]
    y = np.array(df['Prediction'])
    y = y[:-days_ahead]

    # データを訓練用とテスト用に分割
    x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

    # 線形回帰モデルを訓練
    model = LinearRegression()
    model.fit(x_train, y_train)

    # 最新の株価データを使用して予測
    last_data = np.array(df.drop(['Prediction'], axis=1))[-days_ahead:]
    prediction = model.predict(last_data)

    # 予測日を計算
    prediction_date = datetime.now() + timedelta(days=days_ahead)

    return prediction[0], prediction_date.strftime('%Y-%m-%d')

# 予測を実行
predicted_price, prediction_date = predict_nasdaq_price()
print(f"1ヶ月後({prediction_date})のナスダック終値予測: {predicted_price:.2f}")

実行すると、「1ヶ月後(2025-04-02)のナスダック終値予測: 19670.30」という答えが出ました。

Google colab

Google Colabとは？

Google Colab（Google Colaboratory）は、Googleが提供するクラウド上でPythonを実行できる環境です。Jupyter Notebookのようなインターフェースを持ち、ブラウザ上でPythonのコードを記述・実行できます。

主な特徴：

無料で使える（ただし、長時間の使用や高性能なGPUの利用には制限あり）
Googleドライブと連携し、ファイルの保存・読み込みが可能
GPU・TPUが無料で利用可能（制限あり）
ライブラリがプリインストールされており、機械学習やデータ分析に適している

Google Colabの使い方

1. Google Colabを開く

Google Colab にアクセス
Googleアカウントでログイン
新しいノートブックを作成（「＋新しいノートブック」をクリック）

2. 基本的な操作

① セルの追加

「+コード」ボタンを押すとPythonのコードを入力できるセルが追加される
「+テキスト」ボタンを押すとMarkdown形式でメモを追加できる

② コードの実行

Shift + Enter または 「再生ボタン ▶️」をクリック で実行

③ ファイルのアップロード

from google.colab import files uploaded = files.upload() # 手動でファイルを選択してアップロード

④ Googleドライブとの連携

from google.colab import drive drive.mount('/content/drive') # Googleドライブをマウント

3. GPU・TPUの利用

① GPUを有効化する

メニューから 「ランタイム」→「ランタイムのタイプを変更」 を選択
「ハードウェアアクセラレータ」を 「GPU」 に変更

② GPUの確認

import torch print(torch.cuda.is_available()) # TrueならGPUが使える

③ TPUの利用

import tensorflow as tf print("TPU available:", tf.config.list_logical_devices('TPU'))

4. 便利な機能

① パッケージのインストール

!pip install pandas numpy matplotlib # 必要なライブラリをインストール

② 変数の内容をクリア

%reset -f

③ シェルコマンドの実行

!ls # ファイル一覧を表示 !pwd # カレントディレクトリを確認

まとめ

Google Colabは、手軽にPythonを実行できる環境で、特に機械学習・データ分析に最適です。Googleドライブとの連携やGPU/TPUの利用ができる点も強力なメリットです。

Pythonのプログラムを実装する

Pythonプログラムの実装方法

Pythonのプログラムを実装する方法はいくつかあります。ここでは、代表的な方法を紹介します。

1. Google Colab で実装（クラウド）

Google Colabは、ブラウザ上でPythonを実行できる環境です。データ分析や機械学習に最適です。

手順

Google Colab を開く
新しいノートブックを作成
コードセルにPythonコードを記述
「▶（再生ボタン）」または Shift + Enter で実行

print("Hello, Google Colab!")

メリット
✅ インストール不要
✅ GPU/TPUが無料で使える
✅ Googleドライブと連携可能

2. ローカル環境で実装

(1) Pythonのインストール

Python公式サイトからダウンロード
インストール時に「Add Python to PATH」を選択（重要）

確認コマンド（ターミナル/コマンドプロンプト）

python --version

(2) Pythonファイル（.py）を作成

hello.py というファイルを作成
以下のコードを記述

print("Hello, Python!")

ターミナルで実行

python hello.py

(3) 仮想環境を作成（推奨）

仮想環境を使うと、ライブラリの依存関係を管理しやすくなります。

# 仮想環境の作成 python -m venv myenv # 仮想環境の有効化（Windows） myenv\Scripts\activate # 仮想環境の有効化（Mac/Linux） source myenv/bin/activate

(4) 必要なライブラリをインストール

pip install numpy pandas matplotlib

3. Jupyter Notebook で実装

Jupyter Notebookは、コードを実行しながらデータを可視化するのに便利です。

インストール

pip install jupyter

起動

jupyter notebook

ブラウザが開き、セルにPythonコードを書いて実行できます。

import numpy as np print(np.array([1, 2, 3]))

4. VS Code で実装

手順

VS Code をインストール
Python拡張機能 をインストール
hello.py を作成し、以下を記述

print("Hello, VS Code!")

F5 またはターミナルで python hello.py を実行

メリット
✅ コード補完が強力
✅ デバッグが簡単
✅ Jupyter Notebook も利用可能

5. その他の実装方法

PyCharm（本格的な開発向け）
IDLE（Python標準のエディタ）
スマホアプリ（Pydroid3など） で簡単なPython実行

まとめ

方法	特徴・用途
Google Colab	インストール不要、クラウド環境、GPU対応
ローカル環境（.py）	本格的な開発向け、自由度が高い
Jupyter Notebook	データ分析、可視化に最適
VS Code	軽量で強力なエディタ
PyCharm	大規模なPython開発向け

まずは Google Colab や Jupyter Notebook から試し、慣れたら VS Code やローカル環境 で本格的な開発をすると良いでしょう！ 🚀

コード生成AIのリスト

以下に、プログラミングコードを無料で生成できるAIツールをまとめました。各ツールの日本語対応、アカウント作成の有無、無料プランの条件、得意分野、特徴、公式サイトのURLを箇条書きで記載しています。

上記のお題で、作成してもらったプログラミングコードを記載し、実行した時のエラーも、表示します。

1. Google Gemini Code Assist

日本語に対応していない上に、アプリをインストールできませんでした。

日本語対応: 対応（38言語をサポート）
アカウント作成: 必要
無料プランの条件: 個人開発者向けに最大180,000コード補完/月を提供
得意分野: 多言語のコード生成と補完
特徴: GoogleのGemini 2.0 AIモデルを搭載し、Visual Studio Code、GitHub、JetBrainsなどの開発環境で利用可能
公式サイトのURL: Google Gemini Code Assist

2. Code Llama

どうやってコードを作れば良いのか分かりませんでした。

日本語対応: 不明
アカウント作成: 不要（オープンソース）
無料プランの条件: 完全無料
得意分野: 長いコードの読み込みと生成
特徴: Meta社が開発したコード生成専用の大規模言語モデルで、100kトークンの入力に対応
公式サイトのURL: Code Llama

3. AlphaCodium

インストールの必要があります。

日本語対応: 不明
アカウント作成: 不要（オープンソース）
無料プランの条件: 完全無料
得意分野: 競技プログラミング向けのコード生成
特徴: フローエンジニアリングをオープンソース化したツールで、高度なプロンプトエンジニアリング手法を採用
公式サイトのURL: AlphaCodium

4. Amazon CodeWhisperer

インストールの必要があります。

日本語対応: 不明
アカウント作成: 必要
無料プランの条件: 個人利用は無料、プロフェッショナルプランは月額19ドル
得意分野: コードの自動挿入、提案、脆弱性の検出
特徴: 多様なプログラミング言語に対応し、セキュリティ面でも優れた機能を持つ
公式サイトのURL: Amazon CodeWhisperer

5. GitHub Copilot

30日で有料になるので、慣れた頃に無料で使えなくなります。

日本語対応: 不明
アカウント作成: 必要
無料プランの条件: 30日間の無料トライアルあり、その後個人プランは月額10ドル
得意分野: コードの自動補完、チャット形式でのコーディングアシスタント
特徴: 多様な言語に対応し、アプリケーション開発や機械学習など幅広いタスクに利用可能
公式サイトのURL: GitHub Copilot

まとめ

無料コード生成AIにチャレンジしてみたのですが、うまくいきませんでした。

どれかに決めて、使い込んでいけば、良いのかも知れません。

一般論として、日本語に対応していないと、作成依頼をするときも、エラーの修正をするときも、苦労することになります。

そこで、初心者におすすめなのは、チャットです。

ただし、どのAIでも、最初に作ってもらったコードは、エラーが出ると思います。

そこからの修正は、若干のコツが必要です。

ハマることも度々。

初心者には、難しいこともあります。

また、コードを作成するのも、大変ですが、サーバーなどにアップロードするのが、かなりの難題です。

特に、Pythonは、サーバーによっては、できないこともあったりして、大変です。

あと、気をつけるのは、APIの制限に引っかかること。

うまくいかない時は、そこをよく調べてください。

例えば、OpenAIのAPIは、無料キーでは、何もできません。