SnowPro Advanced: Data Scientist完全解説【2026】

SnowPro Advanced: Data Scientist Certificationは、Snowflake上での機械学習ワークフロー（特徴量エンジニアリング・モデル構築・評価・デプロイ）に関する高度な知識を証明する試験です。 Snowpark ML・DataFrame API・Feature Store・Model Registry・ML Pipelineなど、Snowflakeネイティブの ML機能が中心に出題されます。

試験概要

項目	詳細
問題数	65問（単一選択・複数選択）
試験時間	115分
合格ライン	750点 / 1000点満点
受験料	$375 USD
前提条件	SnowPro Core認定（有効期間内）
受験方法	Pearson VUE（テストセンター or オンライン）
認定有効期間	2年間
推奨経験	Snowflakeでの機械学習実務2年以上、Python/Scikit-learn経験

出題ドメインと配点

ドメイン	配点	主要トピック
1. Data Preparation & Feature Engineering	25%	Snowpark DataFrame、特徴量変換、Feature Store、データ品質
2. Model Development	25%	Snowpark ML（モデル学習・チューニング）、ML Functions、Snowpark Python UDF
3. Model Deployment & Scoring	20%	Model Registry、UDFデプロイ、バッチ推論、リアルタイム推論
4. Model Evaluation & Monitoring	15%	評価指標、モデルドリフト検出、A/Bテスト、モニタリング
5. ML Pipeline & Operations	15%	Tasks/DAGによるパイプライン自動化、CI/CD、再現性

Snowpark DataFrame API

Snowpark DataFrameはSnowflake内でPythonを使ったデータ処理を可能にするAPIです。処理はSnowflakeのコンピュートエンジン上で実行されるため、データ移動なしに大規模データを操作できます。

操作	DataFrameメソッド	SQLとの対応
テーブル読み込み	session.table("db.schema.table")	FROM db.schema.table
列選択	.select(col("c1"), col("c2"))	SELECT c1, c2
フィルタ	.filter(col("c1") > 100)	WHERE c1 > 100
集約	.group_by("c1").agg(avg("c2"))	GROUP BY c1
結合	.join(df2, "key")	JOIN df2 ON key
書き込み	.write.save_as_table("target")	CREATE TABLE AS SELECT

Snowpark DataFrameは遅延評価（Lazy Evaluation）で動作します。.collect() / .show() / .save_as_table() などのアクションメソッドが呼ばれるまで実際のSQL実行は発生しません。この仕組みにより、複数の変換をチェーンした後にSnowflakeが最適なクエリプランを生成できます。

Snowpark ML

Snowpark MLはSnowflake内で機械学習のライフサイクル全体を実行するためのPythonライブラリです。

前処理・特徴量変換

snowflake.ml.modeling.preprocessing：StandardScaler、MinMaxScaler、OrdinalEncoder、OneHotEncoder、LabelEncoder
Scikit-learn互換のfit/transform/fit_transformインターフェースを提供
変換処理はSnowflakeのウェアハウス上でプッシュダウン実行される

モデル学習

snowflake.ml.modeling：RandomForestClassifier、XGBClassifier、LogisticRegressionなどScikit-learn/XGBoost/LightGBM互換モデル
fit()メソッドでSnowflake DataFrameを直接入力としてモデルを学習
学習処理はSnowflakeウェアハウスのPythonサンドボックスで実行される

ハイパーパラメータチューニング

GridSearchCV：パラメータグリッドの全組み合わせを評価
RandomizedSearchCV：ランダムサンプリングで効率的に探索
交差検証（Cross Validation）もSnowflake内で実行

Feature Store

Snowflake Feature Storeは特徴量の一元管理・再利用・バージョニングを提供する機能です。

機能	説明
Feature View	特徴量の定義をSQLまたはDataFrame変換として登録
Entity	特徴量が紐づくビジネスエンティティ（例: customer_id）
ポイントインタイム正確性	学習時のタイムスタンプに合わせた正確な特徴量取得（データリーケージ防止）
バージョニング	特徴量定義の変更履歴を管理
学習/推論の一貫性	同一のFeature Viewから学習データと推論データを生成

Model Registry

Snowflake Model Registryはモデルのバージョン管理・メタデータ記録・デプロイ管理を提供します。

モデルをSnowflakeスキーマ内のオブジェクトとして登録
各バージョンにメトリクス（accuracy・F1スコア等）を記録
モデルをUDFとしてデプロイし、SQLからバッチ推論を実行
Snowpark Container Servicesと連携してリアルタイム推論エンドポイントを構築

Snowflake ML Functions

SQLだけで利用できるビルトイン機械学習関数です。Python不要で基本的なMLタスクを実行できます。

関数	用途	入力
FORECAST	時系列予測	タイムスタンプ + 数値カラム
ANOMALY_DETECTION	異常検知	タイムスタンプ + 数値カラム
CONTRIBUTION_EXPLORER	主要因分析	カテゴリカル + 数値カラム
TOP_INSIGHTS	データセグメント分析	カテゴリカル + 数値カラム

モデル評価

分類モデル：Accuracy、Precision、Recall、F1-score、AUC-ROC、Confusion Matrix
回帰モデル：MSE、RMSE、MAE、R-squared
交差検証：K-Fold Cross Validationによる汎化性能の評価
モデルドリフト検出：学習データと推論データの特徴量分布の変化をモニタリング

ML Pipeline の自動化

Snowflake TasksとDAG（有向非巡回グラフ）を組み合わせてMLパイプラインを自動化できます。

データ取り込み → 特徴量変換 → モデル学習 → 評価 → デプロイの各ステップをTasksで定義
CRONスケジュールまたはStreamトリガーでパイプラインを定期実行
Snowpark Pythonストアドプロシージャで複雑なML処理をカプセル化
Feature Store + Model Registryと組み合わせて再現性のあるパイプラインを構築

問題で確認

SnowPro Advanced: Data Scientist

問題 1

Snowflake Feature Storeのポイントインタイム正確性（Point-in-Time Correctness）が解決する問題はどれですか？

モデルの推論速度が遅い問題
学習データに将来の情報が混入するデータリーケージ問題
特徴量の欠損値が多い問題
モデルのハイパーパラメータ選択が難しい問題

正解: B

ポイントインタイム正確性は、学習データを作成する際に各レコードのタイムスタンプ時点で利用可能だった特徴量のみを取得する機能です。これにより、将来の情報が学習データに混入するデータリーケージ（Data Leakage）を防ぎ、モデルの本番環境での性能と学習時の性能の乖離を防止します。

よくある質問

SnowPro Advanced Data Scientist試験にPythonのコーディング問題は出ますか？

実際にコードを書いて実行する問題は出ませんが、Snowpark PythonのDataFrame API・Snowpark ML APIのコードスニペットを読んで挙動を判断する問題が出ます。たとえば、session.table().filter().group_by()のチェーン呼び出しの結果を問う問題や、Snowpark MLのGridSearchCVのパラメータ設定に関する問題が想定されます。PandasやScikit-learnの基本知識も前提として求められます。

Snowpark MLとSnowflake ML Functionsの違いは何ですか？

Snowpark MLはPython APIでモデルのトレーニング・ハイパーパラメータチューニング・特徴量エンジニアリングをSnowflake内で実行するライブラリです。一方、Snowflake ML FunctionsはビルトインのSQL関数として提供される機械学習機能（FORECAST / ANOMALY_DETECTION / CONTRIBUTION_EXPLORER等）で、SQLだけでMLタスクを実行できます。試験では両者の使い分けシナリオが出題されます。

Feature StoreとModel Registryはそれぞれどのような場面で問われますか？

Feature Storeは特徴量の一元管理・再利用・バージョニング・ポイントインタイム正確性に関して出題されます。「学習時と推論時で同じ特徴量変換を保証するにはどうすべきか」というシナリオが典型例です。Model Registryはモデルのバージョン管理・ステージ管理（Development/Production）・メタデータ記録に関して出題され、「本番環境にデプロイするモデルバージョンをどう管理するか」というシナリオが頻出です。

この記事で学んだ内容を問題で確認しましょう

16,000問以上の問題で実力チェック

無料で問題を解いてみる

この記事の著者

NicheeLab編集部

データエンジニアリング・クラウド資格の専門家。Databricks・Snowflake等の認定資格を保有し、実務経験に基づいた問題作成・解説を行っています。NicheeLab運営。