Master Snowflake's data ingestion pipeline — from staging files through COPY INTO, Snowpipe, and Snowpipe Streaming — and connect Snowflake to the broader data ecosystem through connectors, drivers, and export tools.

Stages, File Formats, and COPY INTO

Classifying Stage Types

COPY INTO Error Handling

Snowpipe and Snowpipe Streaming

Choosing the Right Ingestion Mechanism

Ingestion Method Characteristics

Data Unloading and Connectivity

Unloading Data to Cloud Storage

Connectivity Mechanisms

Data Loading, Ingestion, and Connectivity

Build robust data pipelines using Snowflake-native orchestration — streams for change capture, tasks for scheduling, dynamic tables for declarative transformation, and external and Iceberg tables for open-format storage.

Streams ve Değişiklik Verisi Yakalama

Bir Stream'i Sorgulama

Doğru Akış Türünü Seçme

Görevler ve DAG Orkestrasyonu

Görev Zamanlama ve Bağımlılıklar

Seçenekler

Warehouse tabanlı görev

Sunucusuz görev

Warehouse Tabanlı vs Sunucusuz Görevler

Dinamik Tablolar

Dinamik Tablo TARGET_LAG ve Yenileme

Options

Streams + Tasks

Dynamic Tables

Either

Orkestrasyon Mekanizmasını Seçme

Uçtan Uca Bir Pipeline Tasarlama

External ve Iceberg Tabloları

External Table ne zaman kullanılmalı

Yerel Snowflake Tablosu

External Table

Iceberg Table

Depolama ve Motorlara Göre Tablo Türleri

Pipeline Orchestration and Data Objects

Query semi-structured JSON with dot notation and FLATTEN, aggregate data with GROUPING SETS, ROLLUP, and CUBE, compute window functions, and encapsulate reusable logic in UDFs and stored procedures.

Semi-Structured Data Querying

Extracting Nested Fields

Unnesting JSON Arrays

Intermediate Aggregate Functions

Writing a ROLLUP Query

Choosing the Right Grouping Extension

Window Functions

Ranking Records with ROW_NUMBER

RANK vs DENSE_RANK

Period-over-Period Change with LAG

Running totals with SUM

User-Defined Functions and Stored Procedures

Creating and Calling a SQL UDF

UDF vs Stored Procedure

Querying and Transforming Data

Profile queries in Snowsight, identify bottlenecks with QUERY_HISTORY, apply Search Optimization, Query Acceleration Service, Automatic Clustering, and Materialized Views, and write SQL that benefits from Snowflake's three caching layers.

Query Profile,  History, and Insights

Navigating Query Profile

Identifying  queries with QUERY_HISTORY

Investigating slow queries

Optimization Methods

Matching Optimization Tools to Query Patterns

Choosing Between Optimization Tools

What Method Works Best

How Caching Works in Snowflake

Identifying the Caching Layer

SQL Patterns: Cache vs Pruning

Congratulations!

Query Performance and Optimization

Snowflake'te uçtan uca veri pipeline'ları oluştur. Veriyi COPY INTO, Snowpipe ve Snowpipe Streaming ile içe aktar; ardından akışları, görevleri (tasks) ve dinamik tabloları kullanarak iş akışlarını otomatikleştir. Yarı yapılandırılmış verileri sorgulamayı, pencere (window) fonksiyonlarını uygulamayı ve Snowflake'in profil oluşturma araçları ile önbellek katmanlarını kullanarak sorgu performansını iyileştirmeyi de öğreneceksin.

Snowflake'ta güvenilir, otomatik işlem hattı oluşturmak için araçları ve teknikleri ustalıkla öğrenin. Verileri büyük ölçekte nasıl alacağınızı öğrenerek başlayacaksınız — aşamaları ve dosya biçimlerini yapılandırarak, COPY INTO ile veri yükleyerek ve farklı gecikme ve hacim gereksinimleri için toplu yükleme, Snowpipe ve Snowpipe Streaming arasında seçim yaparak.
Buradan itibaren, satır düzeyindeki değişiklikleri stream’lerle yakalama, çok adımlı iş akışlarını görev DAG’leriyle zincirleme ve dinamik tablolarla bildirimsel, otomatik yenilenen işlem hatları oluşturma becerileri kazanacaksınız. Ayrıca, çoklu motor ve bulut yerel senaryolar için harici ve Iceberg tablolarını ne zaman kullanmanız gerektiğini de öğreneceksiniz.
Kursun ikinci yarısı, sorgulama ve dönüştürme becerilerinizi geliştirir — VARIANT sütunlarından yarı yapılandırılmış JSON’u çıkarıp iç içe yapısını açmayı, gelişmiş analizler için gruplama uzantılarını ve pencere fonksiyonlarını uygulamayı ve yeniden kullanılabilir mantığı UDF’ler ve saklı yordamlar içinde kapsüllemeyi öğrenirsiniz.
Son olarak, sorgu performansını ele alacaksınız: darboğazları belirlemek için Snowflake’in Query Profile’ını okumayı, doğru optimizasyon aracını — Search Optimization, Query Acceleration Service, clustering keys veya materialized views — seçmeyi ve performansı sessizce düşüren yaygın anti-pattern’lerden kaçınan cache-friendly SQL yazmayı öğreneceksiniz.

COPY INTO, Snowpipe, stream, görevler, dinamik tablolar ve sorgu araçlarıyla Snowflake'te veri işleyin.

Snowflake'te Veri Pipeline'larını Otomatikleştirme

Essentials for Snowflake SnowPro® Core Certification

Veri, tam bölüm budamayla Snowflake tarafından yönetilen micro-partition'larda saklanır

SQL üzerinden tam okuma-yazma erişimi; sıkıştırma ve kümelendirmeyi Snowflake yönetir

Veri bulut nesne depolamada kalır; Snowflake dosyaları sorgu zamanında okur

Sorgu performansı, dosya yolu yapısından türetilen bölümleme sütunlarına bağlıdır

Parquet dosyaları ve bir meta veri katmanı olarak saklanır; dönüştürme olmadan Spark, Flink ve Trino tarafından okunabilir

Veri tek bir sorgu motoruna kilitli değildir

Depolama ve Motorlara Göre Tablo Türleri

Snowflake'te Veri Pipeline'larını Otomatikleştirme

Uygulamalı etkileşimli egzersiz