EnglishDeutschFrançaisEspañolPortuguês

Snowflake · SF-DS · Advanced

SnowPro Advanced: Data Scientist (DSA-C03)

Valide des connaissances avancées dans l'application de méthodes complètes de science des données avec Snowflake, incluant le Machine Learning, le Feature Engineering et le déploiement de modèles. 65+ questions pratiques IA avec explications. Essai gratuit, garantie de réussite.

Essai gratuit

7 jours d’essai gratuit, sans carte bancaire

65 Questions
115min Durée
750/ 1000 Score requis
$375 USD Frais d’examen

Aperçu

À propos de l’examen

La certification SnowPro Advanced : Data Scientist (DSA-C03) valide la capacité à mettre en œuvre des workflows de Machine Learning sur Snowflake, incluant le Feature Engineering, l'entraînement et le déploiement de modèles avec Snowpark ML, l'utilisation du Snowflake Model Registry et du Feature Store, et l'intégration avec des frameworks ML externes. Elle évalue l'application pratique de la science des données au sein des fonctionnalités natives de Snowflake.

Cette certification s'adresse aux data scientists, ingénieurs ML et analystes avancés ayant au moins deux ans d'expérience dans l'application de techniques de Machine Learning sur Snowflake. Elle démontre la capacité à exécuter des workflows ML en production sur l'infrastructure Snowflake.

Domaines

Contenu de l’examen

L'examen comprend 65 questions — choix multiples, réponses multiples et vrai/faux — à compléter en 115 minutes. Les questions couvrent quatre domaines : Snowpark ML & Feature Engineering (30 %), Model Training & Deployment (25 %), Data Exploration & Preparation (25 %) et ML Operations & Governance (20 %). Le score de réussite est de 750 sur 1000. Snowpark ML et le Feature Engineering constituent le segment le plus important — l'expérience pratique avec l'API est essentielle.

Data Science Concepts 17%

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

Data Preparation and Feature Engineering 27%

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

Model Development 31%

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

Model Deployment 25%

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

Format

À quoi s’attendre

multiple choice
70%
multiple response
30%

Attention

Où les candidats échouent

Les data scientists qui entraînent des modèles de Machine Learning exclusivement en dehors de Snowflake échouent souvent aux questions sur les API Snowpark ML, le Snowflake Model Registry, le Feature Store et les patterns d'inférence basés sur les UDFs.

  1. 01
    Snowpark ML vs. externe — Ne pas comprendre quand utiliser Snowpark ML (natif dans Snowflake, sans déplacement de données) par rapport aux frameworks externes (exportent les données, plus de flexibilité) entraîne des erreurs dans le choix d'architecture.
  2. 02
    Feature Store — Ne pas connaître le Feature Store de Snowflake — comment les features sont enregistrées, versionnées et servies pour l'entraînement et l'inférence — provoque des erreurs aux questions de Feature Engineering.
  3. 03
    Model Registry — Confondre le Snowflake Model Registry (versionnement et métadonnées des modèles dans Snowflake) avec les registres externes (MLflow, Weights & Biases) et ne pas comprendre les mécanismes de déploiement entraîne des erreurs MLOps.
  4. 04
    UDFs pour l'inférence — Ne pas comprendre comment les UDFs Python et les UDFs vectorisées sont utilisées pour l'inférence de modèles directement dans Snowflake — incluant les limitations de dépendances de packages et de mémoire — provoque des erreurs de déploiement.
  5. 05
    Data Leakage — Ne pas détecter le Data Leakage dans les pipelines de Feature Engineering — en particulier avec les données de séries temporelles où des informations futures peuvent s'infiltrer dans les features d'entraînement — entraîne des erreurs aux questions de validation de modèles.

Détails

Logistique de l’examen

Proposé en ligne via le Snowflake Certification Portal. Disponible en anglais et en japonais. La certification est valide pendant 2 ans. Le renouvellement nécessite une recertification ou des crédits de formation continue. Les frais d'examen sont de 375 USD. Prérequis : une certification SnowPro Core active.

Mode de passage Online proctored or onsite testing centers.
Politique de reprise No waiting period between attempts. Full registration fee required for each attempt.
Validité 2 ans
Débouchés Senior Data Scientist, ML Engineer, AI Architect, Snowflake ML Specialist, Data Science Lead.
Renouvellement Pass the current version of the SnowPro Advanced: Data Scientist exam to recertify every 2 years.
Temps de préparation ~80 heures
Guide officiel Voir sur le site de l’éditeur

Prêt à réussir ?

Rejoignez des milliers de professionnels qui ont réussi grâce à la pratique assistée par IA.

Essai gratuit