Snowflake · SF-DS · Advanced

SnowPro Advanced: Data Scientist (DSA-C03) — Übungsfragen und Probeprüfung

Name: Pass-IT
Author: Pass-IT

Bereite dich mit eigens erstellten Übungsfragen und verständlichen Antworterklärungen auf SF-DS vor. Frage Alex, deinen KI-Tutor, wenn du mehr Details brauchst. Deine Ergebnisse zeigen dir, welche Themen du wiederholen solltest, und zeitlich begrenzte Probeprüfungen helfen dir, deine Zeiteinteilung zu üben.

Kostenlos für SF-DS üben Zugang für SF-DS für $29.99 kaufen

Zugang für SF-DS für $29.99 kaufen Kostenlos für SF-DS üben

65Fragen der Probeprüfung

115minZeitlimit

750/ 1000Punktzahl zum Bestehen

Mit Angaben von Snowflake abgeglichen · August 2026 · Aktuelle Prüfungsversion

Überblick

Über die Prüfung

Die SnowPro Advanced: Data Scientist Certification (DSA-C03) weist nach, dass du Data-Science-Prinzipien innerhalb von Snowflake anwenden kannst: Data-Science-Konzepte einordnen, Daten- und Feature-Engineering betreiben, Machine-Learning-Modelle bauen und bereitstellen, Snowpark für ML-Workflows nutzen und Ergebnisse visuell aufbereiten. Abgedeckt wird der komplette Modell-Lebenszyklus von der Datenaufbereitung bis zum produktiven Deployment.

Sie richtet sich an Data Scientists, ML Engineers und quantitative Forscher mit mindestens zwei Jahren praktischer Data-Science-Erfahrung mit Snowflake im Unternehmensumfeld. Sie zeigt, dass du End-to-End-ML-Lösungen nativ auf Snowflake bauen kannst.

Übungsfragen ausprobieren

Fünf Fragen zu SF-DS ausprobieren

Übe mit fünf Fragen aus dem aktuellen Fragenpool für SnowPro Advanced: Data Scientist (DSA-C03) in der App, jeweils mit Antwort und Erklärung.

Modellbereitstellung1 / 5

Wenn du ein Modell über die Snowflake Model Registry bereitstellst: Welche Methode führt die Inferenz auf einem DataFrame aus?

AlexGanze Erklärung von Alex

Die Methode ModelVersion.run() ist die richtige API, um über die Snowflake Model Registry Inferenz auf einem DataFrame auszuführen. Nachdem du eine Modellversion über Registry.get_model().version() geholt hast, führt der Aufruf von run(df) die Vorhersagelogik des Modells aus und gibt die Ergebnisse als DataFrame zurück. predict() ähnelt der API von scikit-learn, ist aber keine Methode von ModelVersion. score() und execute() sind ebenfalls keine gültigen ModelVersion-Methoden. Die Methode run() kapselt die Deserialisierung des Modells und bietet eine einheitliche Inferenzschnittstelle, unabhängig vom zugrunde liegenden ML-Framework (scikit-learn, XGBoost, PyTorch usw.).

Quelledocs.snowflake.com

Modellentwicklung3 / 5

Was ist der Hauptzweck der Snowflake Model Registry?

AlexGanze Erklärung von Alex

Die Snowflake Model Registry bietet ein zentrales Repository, um ML-Modelle als vollwertige Objekte auf Schema-Ebene zu protokollieren, zu versionieren und über ihren Lebenszyklus zu verwalten. Sie unterstützt Modell-Metadaten, das Tracking von Metriken, den Vergleich von Versionen und die Bereitstellung. Die Option „Rohe Trainingsdaten speichern“ ist falsch: Die Registry speichert Modelle, keine rohen Trainingsdaten – dafür nutzt du Stages oder Tabellen. Die Option „Pipelines für die Datenaufnahme planen“ ist falsch: Datenpipelines werden über Tasks und Streams verwaltet, nicht über die Registry. Die Option „Die Auslastung von Warehouses überwachen“ ist falsch: Für die Überwachung von Warehouses nutzt du das ACCOUNT_USAGE-Schema und Resource Monitors. Die Registry lässt sich mit Modellen aus scikit-learn, XGBoost, PyTorch, TensorFlow und Hugging Face verwenden. Jedes Schema kann ohne Initialisierung als Registry dienen.

Quelledocs.snowflake.com

Data-Science-Grundlagen4 / 5

Welche der folgenden Beschreibungen trifft den F1-Score am besten?

AlexGanze Erklärung von Alex

Der F1-Score ist das harmonische Mittel von Precision und Recall: F1 = 2 * (P * R) / (P + R). Das harmonische Mittel bestraft ein extremes Ungleichgewicht – für einen hohen F1 müssen sowohl Precision als auch Recall hoch sein. Die Option „Das arithmetische Mittel von Precision und Recall“ (arithmetisches Mittel) wäre (P + R) / 2, was ein Ungleichgewicht weniger stark bestraft und die Leistung überschätzen würde. Die Option „Der gewichtete Durchschnitt aller Klassifikationsmetriken“ (gewichteter Durchschnitt aller Klassifikationsmetriken) ist zu allgemein und nicht die Definition von F1. Die Option „Das geometrische Mittel von Accuracy und Recall“ (geometrisches Mittel von Accuracy und Recall) verwendet die falschen Metriken und die falsche Aggregationsfunktion. F1 ist besonders nützlich bei unausgewogenen Klassen, wo Accuracy allein irreführend ist. Precision = TP/(TP+FP), Recall = TP/(TP+FN).

Quelledocs.snowflake.com

Kostenloses Konto erstellen

Die Fragen in der App sind derzeit auf Englisch. Übersetzungen in dieser Vorschau gelten nur für die Vorschau. Welche Sprachen für die offizielle Prüfung verfügbar sind, erfährst du beim Prüfungsanbieter.

Fragenpool

360 Übungsfragen

Der Pass-IT-Fragenpool bietet dir Aufgaben zur Vorbereitung auf SF-DS. Eine Probeprüfung auf Pass-IT umfasst 65 Fragen bei einem Zeitlimit von 115 Minuten. Diese Einstellungen gelten für die Übung.

Angaben zum Fragenpool: SF-DS

Punktzahl zum Bestehen750 / 1.000

laut Veröffentlichung von Snowflake

Prüfungsziele im Leitfaden16 im offiziellen Leitfaden aufgeführte Prüfungsziele

verteilt auf 4 Bereiche im offiziellen Prüfungsleitfaden

Größe des Fragenpools360 Fragen

= Der Umfang des Fragenpools entspricht rechnerisch 5 Zusammenstellungen mit je 65 Fragen. Daraus folgt nicht, dass jede Probeprüfung andere Fragen verwendet.

Bereiche im Prüfungsplan4 Bereiche im Prüfungsplan

Data Science Concepts 61 · Data Preparation and Feature Engineering 99 · Model Development 106 · Model Deployment 94

Als mit Quellen abgeglichen erfasst360 von 360

Fragen, deren Antwort, Antwortoptionen und Erklärung als mit der offiziellen Dokumentation von Snowflake abgeglichen erfasst sind

So entstehen die Fragen →

Prüfungsbereiche

Inhalte der Prüfung

Model Development wiegt mit 31 % am schwersten: Snowpark-ML-Verbindungen, der Einsatz von Cortex LLM, Modelltraining, Validierung und Interpretation. Data Preparation and Feature Engineering folgt mit 27 % und deckt Bereinigung, explorative Analyse sowie Feature-Transformationen mit Snowpark und SQL ab. Model Deployment liegt bei 25 % und prüft den Weg in die Produktion, Drift-Monitoring und die Snowflake Model Registry.

Data Science Concepts ist mit 17 % die leichteste Domäne; hier geht es um ML-Grundlagen und Statistik statt um Snowflake-spezifisches Tooling. Entwicklung, Vorbereitung und Deployment machen zusammen 83 % der Prüfung aus. Der Ertrag steckt also vor allem darin, zu wissen, wie Snowflake-eigene Tools die einzelnen Phasen des ML-Lebenszyklus abbilden, und weniger in allgemeiner Data-Science-Theorie.

Prüfungsplan: SF-DS

Data Science Concepts17%

Apply data science methodologies, statistics, and ML fundamentals within the Snowflake ecosystem.

≈ 14 h

Data Preparation and Feature Engineering27%

Prepare data, engineer features, and handle data quality using Snowflake SQL, Snowpark, and ML functions.

≈ 22 h

Model Development31%

Build, train, and evaluate ML models using Snowpark ML, Snowflake ML functions, and integrated frameworks.

≈ 25 h

Model Deployment25%

Deploy, monitor, and manage ML models in production using Snowflake model registry and serving infrastructure.

≈ 20 h

Format

Prüfungsformat und Fragetypen

Die Prüfung besteht aus 65 Fragen in 115 Minuten, gestellt als Multiple-Choice, Multiple-Select und in interaktiven Formaten. Die meisten Aufgaben schildern ein Data-Science-Problem (ein Datensatz, eine Modellwahl, eine Deployment-Entscheidung) und wollen von dir die passende Snowflake-eigene Methode: Snowpark, Cortex oder die Model Registry. Bei rund 1,8 Minuten pro Frage ist das Tempo machbar, solange du dir die ML-Grundlagen nicht erst herleiten musst.

Fragetypen: SF-DS

Multiple Choice70%

Wähle die einzelne Antwort aus, die die Anforderungen der Frage am besten erfüllt.

Mehrfachauswahl30%

Wähle mehrere Antworten aus. Beachte dabei, wie viele Antworten laut Aufgabenstellung gefragt sind.

Offizielle Informationen zu den Frageformaten findest du bei Snowflake. Die dargestellten Anteile beziehen sich auf den Pass-IT-Fragenpool und geben keine Verteilung für die offizielle Prüfung vor.

Planung

Vorbereitung auf SF-DS

Die Prüfung läuft per Online-Proctoring oder in einem Testzentrum vor Ort, auf Englisch. Die Zertifizierung verfällt zwei Jahre nach dem Ausstellungsdatum; rezertifizieren kannst du dich über das Snowflake Continuing Education Program, entweder mit einem anerkannten Instructor-led-Training oder mit einer gleichwertigen oder höherwertigen SnowPro-Zertifizierung.

Vorbereitung und Organisation: SF-DS

Vorbereitung

Beispielhafter Lernaufwand50–120 h

Beispiel für die Planung: von 50 h mit einschlägiger Erfahrung bis 120 h beim Einstieg; dein Bedarf kann außerhalb dieser Spanne liegen

NiveauFortgeschritten

Empfohlene VorkenntnisseSnowPro Core Certified. Mindestens 2 Jahre praktische Erfahrung mit Data Science in Snowflake im Produktivbetrieb.

Prüfung und Erhalt der Zertifizierung

DurchführungOnline beaufsichtigt oder Prüfungszentren vor Ort.

WiederholungsregelnBegrenzung auf 4 Versuche innerhalb von 12 Monaten. Nach drei Versuchen empfiehlt Snowflake die Teilnahme an einem Präsenz-Schulungskurs von Snowflake. Für jede Anmeldung ist die volle Anmeldegebühr fällig.

Gültigkeit der Zertifizierung2 Jahre

Snowflake-Zertifizierungen laufen zwei Jahre nach dem Ausstellungsdatum ab. Für die Rezertifizierung nutzt du das Snowflake Continuing Education (CE) Program: Entweder du absolvierst einen anerkannten Instructor-Led-Training-Kurs (ILT) von Snowflake, oder du legst eine gleichwertige bzw. höherwertige SnowPro-Zertifizierung ab. Um am CE-Programm teilzunehmen, brauchst du eine gültige Zertifizierung.

Offizieller LeitfadenAuf der Website des Anbieters ansehen

Lernhinweise

Häufige Fehlerquellen

Themen zum Wiederholen: SF-DS

01Snowpark ML vs External
Snowpark ML läuft nativ in Snowflake, externe ML-Frameworks nutzen Snowflake dagegen nur als Datenquelle. Wenn du nicht weißt, wann welcher Ansatz passt, wählst du bei Architekturfragen die falsche Antwort.
02Feature Store
Bringst du die Feature-Store-Funktionen von Snowflake mit externen Feature Stores durcheinander und ist dir unklar, wie sich Feature-Pipelines nativ verwalten lassen, unterlaufen dir bei Engineering-Fragen Fehler.
03Model Registry
Ohne ein klares Bild davon, wie die Snowflake Model Registry ML-Modelle versioniert, deployt und verwaltet, liegst du bei Fragen zum Lifecycle-Management daneben.
04UDFs for Inference
Python-UDFs und vectorized UDFs sind der Weg zur Modell-Inferenz im großen Maßstab innerhalb von Snowflake. Verstehst du ihren Einsatz nur halb, produzierst du Fehler bei den Deployment-Patterns.
05Data Leakage
Typische Data-Leakage-Muster im Feature Engineering übersieht man leicht, etwa Daten aus der Zukunft oder Target Encoding ohne sauberen Split. Genau daran scheitern Antworten zu Methodikfragen.

Mit Fragen und Erklärungen in Pass-IT üben →

Fragen

Häufig gestellte Fragen

Wie lange dauert die Prüfung SnowPro Advanced: Data Scientist (DSA-C03)?

Die Prüfung SnowPro Advanced: Data Scientist (DSA-C03) umfasst 65 Fragen und hat ein Zeitlimit von 115 Minuten.

Welche Punktzahl brauche ich, um SnowPro Advanced: Data Scientist (DSA-C03) zu bestehen?

Die erforderliche Punktzahl zum Bestehen der Prüfung SnowPro Advanced: Data Scientist (DSA-C03) beträgt 750 / 1000.

Welche Fehlerquellen sollte ich bei der Vorbereitung auf SnowPro Advanced: Data Scientist (DSA-C03) beachten?

Zu den Themen, die du wiederholen solltest, gehören Snowpark ML vs External, Feature Store, Model Registry, UDFs for Inference, Data Leakage. Prüfe anhand von Beispielen, ob du die Unterschiede verstehst und deine Antwort begründen kannst.

Wie ist die Advanced Data Scientist Prüfung gewichtet?

Model development ist mit 31% der größte Bereich, dahinter folgen data preparation and feature engineering mit 27% und model deployment mit 25%. Data science concepts machen die restlichen 17% aus. Dass Deployment ein Viertel ausmacht, unterschätzen die meisten, denn es geht dabei um Snowflake-spezifische Abläufe statt um allgemeine Praxis.

Was brauchst du vor der Advanced Data Scientist Prüfung?

Die SnowPro Core Zertifizierung und laut Snowflakes eigener Empfehlung zwei oder mehr Jahre praktische Data-Science-Arbeit mit Snowflake im Produktivbetrieb. Im Katalog sind rund 80 Stunden veranschlagt. Die Core-Voraussetzung wird durchgesetzt, du musst sie also zuerst bestehen, egal wie viel Modellierungserfahrung du mitbringst.

Advanced Data Scientist oder Advanced Data Engineer?

Die Data-Scientist-Prüfung legt 31% auf model development und 25% auf deployment, es geht also darum, Modelle in Snowflake zu bauen und auszuliefern. Die Data-Engineer-Prüfung legt 28% auf data movement und 25% auf transformation, es geht also um die Pipelines, die diese Modelle speisen. Beide setzen SnowPro Core voraus, und keine steht über der anderen.

Wie lange gilt die Advanced Data Scientist Zertifizierung?

Zwei Jahre ab Ausstellungsdatum. Du rezertifizierst über das Continuing-Education-Programm mit einem anerkannten Instructor-led-Kurs oder einer gleichwertigen oder höheren SnowPro-Zertifizierung statt über eine erneute Prüfung.

Eine Zertifizierung, 12 Monate

Für SF-DS üben

Übe gezielt für eine Zertifizierung oder wähle Pro, um für alle Zertifizierungen zu üben.

Zugang für SF-DS für $29.99 kaufen

Kostenlos mit dem Üben beginnenProbiere die ersten 20 Fragen ohne Kreditkarte aus und finde heraus, ob die Übungen zu dir passen.

Für berechtigte Käufe: Geld-zurück-Garantie bei Nichtbestehen.

Garantiebedingungen ansehen →