Dans cette section, nous abordons la configuration de l'environnement Snowpark, la structuration des projets et l'utilisation des feuilles de calcul Python pour un développement efficace d'applications de données avec Snowpark.

Dans cette section, nous abordons l'ingestion, la transformation et l'analyse des données à l'aide de Snowpark. Parmi les concepts clés abordés figurent le chargement de fichiers CSV, JSON et Parquet, les opérations sur les DataFrames et l'intégration de pandas pour optimiser les flux de travail liés aux données.

Dans cette section, nous abordons la mise en place de pipelines de données résilients avec Snowpark, le déploiement de pratiques DataOps efficaces, ainsi que la mise en œuvre de la journalisation et du traçage pour garantir une transmission fiable des données.

Dans cette section, nous abordons les workflows de science des données dans Snowpark, en mettant l'accent sur la préparation des données, l'entraînement des modèles d'apprentissage automatique et le traitement efficace dans Data Cloud pour des applications évolutives.

Dans cette section, nous abordons le déploiement de modèles d'apprentissage automatique dans Snowpark, la gestion des données de modèles à l'aide de « feature stores », ainsi que le suivi des métriques et des versions dans les registres, afin de garantir des workflows évolutifs et reproductibles.

Dans cette section, nous abordons la création, la publication et la gestion d'applications natives à l'aide de Snowpark. Parmi les concepts clés abordés figurent les composants du framework, la distribution via la boutique d'applications et le contrôle de version, pour des flux de données efficaces.

Dans cette section, nous abordons le déploiement d'applications conteneurisées et de grands modèles linguistiques (LLM) à l'aide de Snowpark Container Services. Elle traite de l'installation, de la configuration des tâches et de la gestion efficace des ressources pour les workflows centrés sur les données.