<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Saida Abararh on Medium]]></title>
        <description><![CDATA[Stories by Saida Abararh on Medium]]></description>
        <link>https://medium.com/@saidaabaragh017?source=rss-1eb0b1247088------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*BaUC17YQfRW2nJgYMDvt9A.jpeg</url>
            <title>Stories by Saida Abararh on Medium</title>
            <link>https://medium.com/@saidaabaragh017?source=rss-1eb0b1247088------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 07:46:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@saidaabaragh017/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Tutoriel du Snowflake]]></title>
            <link>https://medium.com/@saidaabaragh017/tutoriel-du-snowflake-341c81ce93c3?source=rss-1eb0b1247088------2</link>
            <guid isPermaLink="false">https://medium.com/p/341c81ce93c3</guid>
            <category><![CDATA[snowflake-tutorial]]></category>
            <dc:creator><![CDATA[Saida Abararh]]></dc:creator>
            <pubDate>Mon, 14 Apr 2025 19:38:19 GMT</pubDate>
            <atom:updated>2025-04-18T07:20:02.355Z</atom:updated>
            <content:encoded><![CDATA[<p>Apprenez les principes fondamentaux de la gestion d’un entrepôt de données dans le cloud à l’aide de Snowflake. Snowflake est une plateforme basée sur le cloud qui offre des avantages significatifs aux entreprises souhaitant extraire un maximum d’informations de leurs données aussi rapidement et efficacement que possible.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/0*3d-eNiv90yGa9wiJ" /></figure><p>Ce tutoriel a été élaboré par l’équipe</p><ul><li>Saida ABARARH</li><li>Victor OULEDI</li><li>Imane AFERYAD</li><li>Meryam GHASSIR</li><li>Christina ELIAS</li><li>Tasnime COURTEL</li><li>Oscar YUNG</li><li>Hanaa BOUHIA</li><li>Zacharie DANNENMUELLER</li></ul><p>dans le cadre d’un projet universitaire portant sur le data mining avancé.</p><h4>Introduction</h4><p>Si l’on me demandait de décrire Snowflake en aussi peu de mots que possible, je choisirais ceux-ci :</p><ul><li>Entrepôts de données</li><li>Données à grande échelle</li><li>Multi-Cloud</li><li>Séparation</li><li>Évolutif</li><li>Flexible</li><li>Simple</li></ul><p>S’ils voulaient que je développe, j’enchaînerais les mots comme suit :Snowflake est une plateforme <strong>de data warehouse dans le cloud</strong>, qui permet de stocker, traiter et analyser des données à grande échelle. Elle est entièrement managée, scalable, et multi-cloud (AWS, Azure, GCP).</p><h4>Pourquoi utiliser Snowflake ?</h4><p>Snowflake sert plus de 8900 clients dans le monde entier et traite 3,9 milliards de requêtes chaque jour. Ce type de statistiques d’utilisation n’est en aucun cas une coïncidence.</p><p>Vous trouverez ci-dessous les meilleurs avantages de Snowflake qui ont tant d’attrait :</p><blockquote>1. Architecture basée sur le cloud</blockquote><p>Snowflake fonctionne dans les clouds, ce qui permet aux entreprises d’augmenter ou de réduire les ressources en fonction de la demande sans se soucier de l’infrastructure physique (matériel).</p><blockquote>2. Elasticité et évolutivité</blockquote><p>Snowflake sépare les couches de stockage et de calcul, ce qui permet aux utilisateurs de faire évoluer leurs ressources informatiques indépendamment de leurs besoins de stockage.</p><blockquote>3. Concurrence et performance</blockquote><p>Snowflake gère facilement une forte concurrence : plusieurs utilisateurs peuvent accéder aux données et les interroger sans perte de performance.</p><h4>Concept et Architecture de Snowflake</h4><p>Snowflake combine deux modèles d’architecture : <strong>disque partagé</strong> et <strong>sans partage</strong>.</p><ul><li>Il utilise un <strong>stockage centralisé</strong> accessible par tous les nœuds de calcul (comme le disque partagé).</li><li>Pour le traitement, il s’appuie sur des <strong>clusters MPP</strong> (traitement parallèle massif), où chaque nœud traite une partie des données localement (comme le sans partage).</li></ul><p>👉 Ce modèle hybride permet une <strong>évolutivité facile</strong>, une <strong>meilleure performance</strong> et une <strong>gestion optimisée des ressources</strong>.</p><h4>Comprendre les couches clés de Snowflake Data Cloud</h4><figure><img alt="Architecture et Concepts Snowflake" src="https://cdn-images-1.medium.com/max/858/0*QTgCmTwH3d401ZYF.png" /></figure><p>Il existe 3 couches clés dans l’architecture Snowflake.</p><blockquote>1. Stockage de base de données ou stockage centralisé</blockquote><ul><li>Lorsque les données arrivent dans l’environnement Snowflake, Snowflake les réorganise dans un <strong>format en colonnes optimisé en interne et compressé</strong> .</li><li>Les objets de données stockés créés par Snowflake <strong>ne sont pas directement visibles ni accessibles par les clients</strong> , ils ne sont <strong>accessibles qu’en exécutant des requêtes SQL</strong> à partir de Snowflake.</li></ul><blockquote>2. Traitement des requêtes ou calcul multi-cluster</blockquote><ul><li>L’exécution des requêtes est effectuée dans cette couche de traitement via <strong>des entrepôts virtuels</strong> .</li><li>Chaque <strong>entrepôt virtuel est un cluster de calcul MPP</strong> qui <strong>contient un ou plusieurs nœuds de calcul</strong> alloués par Snowflake via le fournisseur Cloud.s.</li></ul><blockquote>3. Services cloud</blockquote><p>Cette couche est <strong>un ensemble de services qui exécutent diverses activités</strong> sur Snowflake.</p><p><strong>La couche s’exécute sur des instances de calcul</strong> provisionnées par Snowflake auprès du fournisseur Cloud.</p><p>Ces services comprennent :</p><p>Authentification | Gestion des infrastructures | Gestion des métadonnées | Analyse et optimisation des requêtes | Contrôle d’accès</p><h4>Configuration de SnowflakeSQL</h4><p>Snowflake possède sa propre version de SQL, appelée <strong>SnowflakeSQL</strong>. La différence entre ce dialecte et les autres dialectes SQL est comparable à la différence entre les accents anglais.</p><p>Snowflake fournit deux interfaces pour exécuter SnowSQL :</p><ul><li><strong>L’œil de neige : </strong>Une interface web pour interagir avec la plateforme.</li><li><strong>SnowSQL :</strong> Un client CLI (Command Line Interface) pour la gestion et l’interrogation des bases de données.</li></ul><p>Nous allons voir comment configurer les deux et exécuter quelques requêtes !</p><h4>Snowflake : Interface web</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*qyRKgEEhSHgnRYH3.png" /></figure><p>Pour commencer avec Snowsight, rendez-vous sur la<a href="https://www.snowflake.com/en/"><strong> page d’accueil de Snowflake</strong></a> et sélectionnez “Démarrer gratuitement”. Saisissez vos informations personnelles et sélectionnez n’importe quel fournisseur de cloud répertorié. Le choix n’a pas vraiment d’importance, puisque l’essai gratuit comprend 400 dollars de crédits pour l’une ou l’autre des options (vous n’aurez pas à configurer vous-même les informations d’identification pour le cloud).</p><p>Après avoir vérifié votre adresse électronique, vous serez redirigé vers la page Feuilles de travail. Les feuilles de travail sont des environnements de codage interactifs où vous pouvez écrire, exécuter et visualiser les résultats de vos requêtes SQL.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NEbGXHx_Qgv0C-aPp2Xocw.png" /></figure><blockquote>✅ Composants principaux :</blockquote><p><strong>Database</strong> : conteneur principal pour les données</p><p><strong>Schema</strong> : organisation logique (comme des dossiers)</p><p><strong>Table</strong> : stockage des données structurées</p><p><strong>Virtual Warehouse</strong> : moteur de calcul qui exécute les requêtes</p><p><strong>Stage</strong> : espace temporaire pour charger des fichiers</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/731/1*JzHoPipH0HgebkOmoMjB0w.png" /></figure><pre>CREATE OR REPLACE DATABASE tutoriel_db;<br>CREATE OR REPLACE SCHEMA tutoriel_db.mon_schema;<br>CREATE OR REPLACE WAREHOUSE mon_warehouse WITH WAREHOUSE_SIZE = &#39;XSMALL&#39;;</pre><h4>Snowflake CLI</h4><p>L’interface de ligne de commande Snowflake est un autre moyen de se connecter directement à notre compte Snowflake en ligne de commande. Avant d’utiliser l’interface de ligne de commande Snowflake.</p><blockquote>1. 📥 Téléchargement de SnowSQL</blockquote><p>Accède au lien officiel pour télécharger le binaire selon ton OS :<br> 🔗 <a href="https://docs.snowflake.com/en/user-guide/snowsql-install-config">https://docs.snowflake.com/en/user-guide/snowsql-install-config</a></p><blockquote>2. ⚙️ Installation</blockquote><p><strong>Windows</strong> : .exe classique, double-clique et suis l’assistant</p><p><strong>Mac/Linux</strong> :</p><pre>brew install - cask snowflake-snowsql # pour macOS</pre><blockquote>3. 🧪 Vérification<br>Tape simplement :</blockquote><pre>snowsql - version</pre><p>Tu dois voir s’afficher la version installée.</p><blockquote>🔐 4. Connexion à ton compte Snowflake<br>Utilise cette commande de base pour te connecter :</blockquote><pre>snowsql -a &lt;identifiant_du_compte&gt; -u &lt;utilisateur&gt;</pre><blockquote>📂 5. Exécution de requêtes SQL dans SnowSQL<br>Tu peux taper directement tes requêtes :</blockquote><pre>&gt; USE DATABASE demo_db;<br>&gt; SELECT * FROM clients;</pre><p>nous aborderons Snowflake SQL ! Dans cette vidéo, nous explorerons différentes méthodes de connexion à Snowflake et certaines syntaxes communes entre Snowflake SQL et d’autres versions de SQL, comme PostgreSQL. C’est parti !</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*VjzWK9PcaBzRYICXmJYMCw.gif" /></figure><blockquote>Worksheets</blockquote><p>Pour ceux qui souhaitent exécuter des requêtes SQL, Snowflake propose des « Feuilles de calcul », une interface permettant de créer et d’exécuter des requêtes SQL. Comme illustré, nous pouvons créer une feuille de calcul contenant la requête, les résultats et les détails d’exécution, tels que la durée de la requête.</p><blockquote>Notebooks</blockquote><p>Dans Snowsight, nous pouvons également créer des notebooks. Ceux-ci permettent d’exécuter du code SQL et Python, une combinaison performante pour des tâches telles que la création et la maintenance de pipelines de données !</p><h4>🏗️ Créer une base de données et une table dans Snowflake</h4><p>📌 Objectif :Définir la structure dans laquelle tu vas stocker tes données : une <strong>base de données</strong>, un <strong>schéma</strong>, et une <strong>table</strong>.</p><pre>CREATE OR REPLACE DATABASE demo_db;  #Créer une base de données</pre><pre>CREATE OR REPLACE SCHEMA demo_schema;   #Créer un schéma</pre><pre>USE DATABASE demo_db;<br>USE SCHEMA demo_schema;       #Sélectionner la base et le schéma</pre><pre>CREATE OR REPLACE TABLE clients (<br>  id INT,<br>  nom STRING,<br>  email STRING,<br>  pays STRING<br>);       #Créer une table</pre><h4>Charger des données dans Snowflake</h4><p>📌 Objectif :Importer des données depuis un fichier .csv ou .json dans la table créée.</p><p>Va dans l’onglet <strong>Feuille de calcul</strong></p><p>Clique sur <strong>Charger des données (Load Data)</strong></p><p>Sélectionne ta <strong>table cible</strong> (ex: clients)</p><p>Choisis ton fichier .csv</p><p>Snowflake détecte les colonnes → vérifie la correspondance</p><p>Clique sur <strong>Charger</strong> → Les données sont insérée</p><h4>Saveurs SQL</h4><p>Quelle que soit la manière dont nous nous connectons à Snowflake et exécutons les requêtes, nous utiliserons toujours Snowflake SQL, une variante de SQL. Snowflake SQL est similaire à d’autres variantes de SQL, telles que PostgreSQL, T-SQL et MySQL. Ces variantes présentent des similitudes et des différences en termes de types de données, de fonctions et de syntaxe générale.</p><p>La syntaxe de Snowflake SQL et de PostgreSQL est majoritairement identique, y compris les mots-clés et fonctions tels que « <strong>SELECT </strong>», « <strong>FROM </strong>», « <strong>WHERE </strong>», « <strong>GROUPBY </strong>» et bien d’autres. Ainsi, si vous travaillez avec PostgreSQL, vous pouvez déjà exécuter diverses requêtes avec Snowflake SQL !</p><pre>SELECT pays, COUNT(*) AS nb_clients<br>FROM clients<br>GROUP BY pays<br>ORDER BY nb_clients DESC;</pre><h4>Créer des vues et des vues matérialisées</h4><ul><li><strong>Vue simple</strong> : requête enregistrée</li><li><strong>Vue matérialisée</strong> : stocke les résultats pour amélioration des performances</li></ul><pre>CREATE VIEW vue_france AS<br>SELECT * FROM clients WHERE pays = &#39;France&#39;;<br><br>CREATE MATERIALIZED VIEW vue_stats AS<br>SELECT pays, COUNT(*) FROM clients GROUP BY pays;</pre><h4>Gestion des rôles et principe du moindre privilège dans Snowflake</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*jyTZgvAw8fjrdS7bfn9_BQ.png" /></figure><p>Appliquer le <strong>principe du moindre privilège</strong> est essentiel : chaque utilisateur ne doit accéder qu’aux données nécessaires à sa fonction. Par exemple, un rôle personnalisé peut être créé pour permettre à certains analystes d’accéder aux données RH sensibles.</p><blockquote>🔑 Principaux rôles dans Snowflake :</blockquote><ul><li><strong>ACCOUNTADMIN</strong> : Accès total au compte (facturation, paramètres globaux) — réservé aux administrateurs.</li><li><strong>SECURITYADMIN</strong> : Gère les accès aux objets (tables, bases, entrepôts, rôles, utilisateurs).</li><li><strong>USERADMIN</strong> : Gère uniquement les rôles et utilisateurs qu’il possède — sous-ensemble de SECURITYADMIN.</li><li><strong>SYSADMIN</strong> : Gère tous les objets qu’il crée — souvent attribué aux ingénieurs et analystes.</li><li><strong>PUBLIC</strong> : Rôle par défaut pour tous les utilisateurs — accès limité, sauf autorisation explicite.</li></ul><blockquote>Exemple : créer un rôle personnalisé</blockquote><p>Dans l’interface Snowflake :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*3U95qkRJE_L8zmupbk4MGw.gif" /></figure><h4>Snowflake et ses intégrations avancées</h4><p>Snowflake s’intègre avec de nombreux outils et plateformes modernes pour faciliter la <strong>visualisation, le développement d’applications, et l’ingestion de données temps réel</strong>. Voici quelques-unes des <strong>intégrations avancées</strong> les plus courantes :</p><blockquote>1. Connexion à Power BI</blockquote><blockquote><em>🔗Pour les visualisations de données</em></blockquote><blockquote>Power BI peut se connecter directement à Snowflake via le <strong>connecteur natif ODBC</strong> ou via <strong>Azure Data Lake/Snowflake connector</strong>.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/0*kAWPo7nh0tLyi_sn.png" /></figure><p><strong>Étapes simples</strong> :</p><p>1-Dans Power BI, choisir <strong>Get Data &gt; Snowflake</strong></p><p>2-Renseigner le <strong>nom du compte Snowflake</strong> (ex: xy12345.eu-west-1)</p><p>3-Sélectionner <strong>base &gt; schéma &gt; table</strong></p><p>4-Créer des rapports dynamiques</p><blockquote>2. Multi-cloud et stockage externe</blockquote><p>Snowflake fonctionne <strong>nativement sur AWS, Azure et GCP</strong>, ce qui permet :</p><ul><li>De <strong>choisir le cloud de ton entreprise</strong></li><li>D’accéder à des données externes sans les déplacer (ex : External Tables)</li><li>De faire du <strong>Data Sharing entre régions et fournisseurs cloud</strong></li></ul><p><strong>Exemple : External Table</strong></p><pre>CREATE EXTERNAL TABLE ventes_ext (<br>  id INT, produit STRING, montant FLOAT<br>)<br>WITH LOCATION = @mon_stage<br>FILE_FORMAT = (TYPE = &#39;CSV&#39;);</pre><blockquote>3. Intégration avec Streamlit</blockquote><blockquote><em>🔗 Pour construire des apps data interactives avec Python + SQL</em></blockquote><p>Snowflake a racheté <strong>Streamlit</strong>, une bibliothèque Python open-source qui permet de créer des applications web en quelques lignes de code.</p><p>➡️ Tu peux créer des apps en <strong>direct sur les données Snowflake</strong>, parfait pour construire des outils internes de reporting, simulateurs, visualisations, etc.</p><p><strong>Exemple de code</strong> :</p><pre>import streamlit as st<br>import snowflake.connector<br>import pandas as pd<br>conn = snowflake.connector.connect(...)<br>df = pd.read_sql(&quot;SELECT * FROM clients&quot;, conn)<br>st.dataframe(df)</pre><h3>📘 Exercice Complet : Navigation, Analyse et Supervision dans Snowflake</h3><blockquote>🎯 Objectif :</blockquote><p>Explorer une base de données existante dans Snowflake, interagir avec ses tables, effectuer des requêtes SQL simples, et comprendre les informations de suivi d’exécution.</p><p>🔹 Contexte :</p><p>Tu travailles en tant qu’analyste de données et tu as accès à une base Snowflake nommée COURSE_39090. Tu vas :</p><ul><li>Naviguer dans la base et ses schémas</li><li>Identifier les tables disponibles</li><li>Exécuter une requête SQL pour analyser les ventes</li><li>Comprendre les métadonnées d’une requête</li></ul><blockquote>🧭 Partie 1 : Navigation dans les bases et schémas</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Accède à la section <strong>Données</strong> dans Snowflake (Snowsight).</li><li>Recherche la base de données <strong>COURSE_39090</strong></li><li>Examine les <strong>schémas</strong> associés</li></ul><p>📌 <strong>Question 1 :</strong><br> <strong>Quels sont les schémas de la base de données </strong><strong>COURSE_39090 ?</strong></p><p>✅ <strong>Réponse correcte :</strong><br> INFORMATION_SCHEMA, NOTEBOOKS, Student_store</p><p>📂 Partie 2 : Accéder à une table</p><p>📍 <strong>Instructions</strong> :</p><ul><li>Explore le <strong>schéma </strong><strong>Student_store</strong></li><li>Identifie les tables disponibles</li><li>Repère la table nommée Sales_transactions</li></ul><p>📌 <strong>Question 2 :</strong><br> <strong>Quel est le type de données de la colonne </strong><strong>Transaction_id dans la table </strong><strong>Sales_transactions ?</strong><br>✅ <strong>Réponse correcte :</strong><br> Number</p><blockquote>📊 Partie 3 : Analyse du montant des ventes</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Ouvre une nouvelle <strong>feuille SQL</strong> dans la section <strong>Projets</strong></li><li>Sélectionne la base COURSE_39090 et le schéma Student_store</li><li>Exécute une requête pour examiner les 5 premières lignes :</li></ul><pre>SELECT * FROM Sales_transactions LIMIT 5;</pre><ul><li>Calcule le <strong>total des ventes</strong> via la colonne amount :</li></ul><pre>SELECT SUM(amount) FROM Sales_transactions;</pre><p>📌 <strong>Question 3 :</strong><br> <strong>Quel est le montant total des ventes dans la table </strong><strong>Sales_transactions ?</strong><br>✅ <strong>Réponse correcte :</strong><br> 15326</p><blockquote>📋 Partie 4 : Détails d’une requête exécutée</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Lance la requête suivante :</li></ul><pre>SELECT product, amount <br>FROM Sales_transactions <br>GROUP BY product, amount <br>ORDER BY amount DESC;</pre><ul><li>Va dans l’onglet <strong>Surveillance</strong> pour consulter les détails de la requête exécutée (statut, durée, ID, etc.)</li></ul><p>📌 <strong>Question 4 :</strong><br> Lequel des éléments suivants n’est PAS inclus dans la section Détails de la requête ?</p><p>✅ <strong>Réponse correcte :</strong><br> Copier l&#39;historique</p><h4>📽️ Référence : <a href="https://drive.google.com/file/d/1PMBu9A83FTvPUMlDFntoyriZtpAxUAVF/view?usp=drive_link"><em>Vidéo</em></a></h4><h3>📘 Exercice 2 — Explorer les fonctionnalités avancées de Snowflake</h3><h3>🎯 Objectif :</h3><p>Découvrir les possibilités offertes par Snowflake au-delà du simple stockage : <strong>Marketplace</strong>, <strong>chargement de données locales</strong>, <strong>rôles utilisateurs</strong>, et <strong>notebooks interactifs</strong>.</p><h4>🔹 Partie 1 — Découverte de la Marketplace Snowflake</h4><p>📍 <strong>Instructions</strong> :</p><ul><li>Accède à la <strong>Marketplace Snowflake</strong> via l’interface Snowsight</li><li>Clique sur <strong>Produits de données</strong></li><li>Explore la section <strong>Besoins de l’entreprise</strong></li><li>Consulte les catégories telles que <em>évaluation des actifs</em> ou <em>analyse de la blockchain</em></li></ul><p>📌 <strong>Question 1 :</strong><br> <strong>Combien de sources de données, d’applications et de produits d’IA sont disponibles via la Marketplace Snowflake ?</strong></p><p>✅ <strong>Réponse correcte :</strong><br> 2000+</p><blockquote>🔹 Partie 2 — Charger un fichier CSV local</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Depuis l’accueil Snowsight, clique sur <strong>Charger des données</strong></li><li>Sélectionne le fichier online_bookstore.csv depuis ton ordinateur</li><li>Cible la table Sales_transactions dans le schéma Student_stores</li><li>Choisis l’option <strong>“Ordre des fichiers”</strong> au lieu de “Correspondance par nom”</li><li>Lance le chargement</li><li>Réexécute la requête :</li></ul><pre>SELECT SUM(amount) FROM Sales_transactions;</pre><p>📌 <strong>Question 2 :</strong><br> <strong>Quel est le nouveau montant total des ventes après avoir ajouté les données en ligne ?</strong></p><p>✅ <strong>Réponse correcte :</strong><br> 29436</p><p>💬 <em>Commentaire :</em> Tu as enrichi un dataset existant avec un fichier externe, ce qui est courant en data integration. Il est important d’ajuster les correspondances de colonnes si les noms diffèrent (Customer ID vs CUSTOMER_ID).</p><blockquote>🔹 Partie 3 — Explorer les rôles utilisateurs</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Dans Snowsight, regarde en bas à gauche pour ouvrir ton <strong>profil utilisateur</strong></li><li>Active le <strong>mode sombre</strong> si tu le souhaites 🌑</li><li>Clique sur <strong>Admin &gt; Utilisateurs et rôles</strong></li><li>Repère le rôle ROLE_COURSE_39090 pour voir ses autorisations</li></ul><p>📌 <strong>Question 3 :</strong><br> <strong>Quel rôle a été attribué au rôle personnalisé </strong><strong>ROLE_COURSE_39090 ?</strong></p><p>✅ <strong>Réponse correcte :</strong><br> Administrateur utilisateur</p><p>💬 <em>Commentaire :</em> Comprendre les rôles et les permissions est essentiel pour travailler dans Snowflake. Cela permet de savoir <strong>ce que tu peux faire</strong> (lecture, écriture, gestion des rôles…).</p><blockquote>🔹 Partie 4 — Créer et utiliser un notebook Snowflake</blockquote><p>📍 <strong>Instructions</strong> :</p><ul><li>Crée un <strong>nouveau Notebook</strong> dans l’onglet Projets</li><li>Exécute la cellule de code préremplie</li><li>Ajoute une cellule <strong>Markdown</strong> et écris-y ce texte :</li></ul><pre># Markdown  <br>Markdown is useful to add annotation and explanations to your analysis</pre><p>📌 <strong>Question 4 :</strong><br> <strong>Quel outil Snowflake est le plus adapté pour un projet d’analyse de données avec commentaires et code intégré ?</strong></p><p>✅ <strong>Réponse correcte :</strong><br> Notebooks</p><p>💬 <em>Commentaire :</em> Les notebooks combinent <strong>code SQL, Python et texte</strong> dans un même espace. C’est l’outil idéal pour créer des analyses interactives, reproductibles, et faciles à présenter à d’autres.</p><h4>📽️ Référence : <a href="https://drive.google.com/file/d/1tC3x3SoCucrAs4Mg-CJ8swLV1VVD9X_g/view?usp=sharing">Vidéo</a></h4><h3>📘Exercice Final : Mini Système d’Analyse des Ventes</h3><h3>🎯 Objectif :</h3><p>Créer une base de données Snowflake pour une entreprise de e-commerce et effectuer des analyses sur ses ventes, en automatisant certaines tâches et en sécurisant l’accès aux données sensibles.</p><h4>📝 Contexte :</h4><p>Une entreprise vend des produits en ligne dans plusieurs pays. Tu disposes de 3 fichiers CSV :</p><ul><li>clients.csv — ID client, nom, email, pays</li><li>produits.csv — ID produit, nom, catégorie, prix</li><li>ventes.csv — ID vente, ID client, ID produit, date, quantité</li></ul><p>Tu dois charger ces données dans Snowflake, effectuer des analyses, sécuriser les données sensibles et automatiser un reporting quotidien.</p><blockquote>🧪 Partie 1 : Modélisation et chargement des données</blockquote><p>✅ Étapes demandées :</p><ol><li>Crée une <strong>base de données</strong> ecommerce_db et un <strong>schéma</strong> public</li><li>Crée 3 <strong>tables</strong> : clients, produits, ventes</li><li>Charge les 3 fichiers CSV dans les tables</li></ol><pre>CREATE OR REPLACE TABLE clients (<br>  id INT,<br>  nom STRING,<br>  email STRING,<br>  pays STRING<br>);<br><br>CREATE OR REPLACE TABLE produits (<br>  id INT,<br>  nom STRING,<br>  categorie STRING,<br>  prix FLOAT<br>);<br><br>CREATE OR REPLACE TABLE ventes (<br>  id INT,<br>  id_client INT,<br>  id_produit INT,<br>  date DATE,<br>  quantite INT<br>);</pre><blockquote>📊 Partie 2 : Requêtes et analyses</blockquote><p>✅ Étapes demandées :</p><ol><li>Crée une <strong>vue</strong> ventes_par_pays avec le total des ventes (CA) par pays</li><li>Crée une <strong>vue matérialisée</strong> top_produits des 5 produits les plus vendus</li><li>Trouve le <strong>client qui a généré le plus de chiffre d’affaires</strong></li><li>Affiche le <strong>chiffre d’affaires journalier</strong></li></ol><blockquote>🔐 Partie 3 : Sécurité et accès</blockquote><p>✅ Étapes demandées :</p><ol><li>Crée un <strong>rôle</strong> analyste avec accès en lecture seule aux tables</li><li>Crée un <strong>masquage de la colonne </strong><strong>email</strong> dans clients sauf pour les rôles ADMIN</li></ol><blockquote>⚙️ Partie 4 : Automatisation</blockquote><p>✅ Étapes demandées :</p><ol><li>Crée une <strong>stream</strong> sur la table ventes</li><li>Crée une <strong>task</strong> planifiée qui insère les nouvelles lignes dans une table audit_ventes toutes les heures</li><li>Teste le fonctionnement avec une insertion manuelle</li></ol><h4>✅ Correction — Exercice Final : Mini Système d’Analyse des Ventes</h4><blockquote>📊 Partie 2 — Requêtes et analyses</blockquote><p>🔹 Créer une vue ventes_par_pays</p><pre>CREATE OR REPLACE VIEW ventes_par_pays AS<br>SELECT <br>  c.pays,<br>  SUM(v.quantite * p.prix) AS chiffre_affaires<br>FROM ventes v<br>JOIN clients c ON v.id_client = c.id<br>JOIN produits p ON v.id_produit = p.id<br>GROUP BY c.pays;</pre><blockquote>🔹 Créer une vue matérialisée top_produits</blockquote><pre>CREATE OR REPLACE MATERIALIZED VIEW top_produits AS<br>SELECT <br>  p.nom,<br>  SUM(v.quantite) AS total_vendu<br>FROM ventes v<br>JOIN produits p ON v.id_produit = p.id<br>GROUP BY p.nom<br>ORDER BY total_vendu DESC<br>LIMIT 5;</pre><blockquote>🔹 Trouver le client le plus rentable</blockquote><pre>SELECT <br>  c.nom,<br>  SUM(v.quantite * p.prix) AS total_depense<br>FROM ventes v<br>JOIN clients c ON v.id_client = c.id<br>JOIN produits p ON v.id_produit = p.id<br>GROUP BY c.nom<br>ORDER BY total_depense DESC<br>LIMIT 1;</pre><blockquote>🔹 Afficher le chiffre d’affaires journalier</blockquote><pre>SELECT <br>  v.date,<br>  SUM(v.quantite * p.prix) AS chiffre_affaires<br>FROM ventes v<br>JOIN produits p ON v.id_produit = p.id<br>GROUP BY v.date<br>ORDER BY v.date;</pre><blockquote>🔐 Partie 3 — Sécurité et accès</blockquote><p>🔹 Créer un rôle analyste avec accès lecture</p><pre>CREATE ROLE analyste;<br><br>GRANT USAGE ON DATABASE ecommerce_db TO ROLE analyste;<br>GRANT USAGE ON SCHEMA ecommerce_db.public TO ROLE analyste;<br>GRANT SELECT ON ALL TABLES IN SCHEMA ecommerce_db.public TO ROLE analyste;</pre><blockquote><em>✅ Tu peux ensuite l’attribuer à un utilisateur</em></blockquote><pre>GRANT ROLE analyste TO USER nom_utilisateur;</pre><p>🔹 Masquer les emails sauf pour les rôles admin</p><pre>CREATE OR REPLACE MASKING POLICY masque_email AS (val STRING) <br>RETURNS STRING -&gt;<br>  CASE<br>    WHEN CURRENT_ROLE() IN (&#39;ACCOUNTADMIN&#39;, &#39;SECURITYADMIN&#39;) THEN val<br>    ELSE &#39;***@***.com&#39;<br>  END;<br><br>ALTER TABLE clients MODIFY COLUMN email SET MASKING POLICY masque_email;</pre><blockquote>⚙️ Partie 4 — Automatisation</blockquote><p>🔹 Créer un stream sur la table ventes</p><pre>CREATE OR REPLACE STREAM ventes_stream ON TABLE ventes;</pre><p>🔹 Créer une table audit_ventes vide</p><pre>CREATE OR REPLACE TABLE audit_ventes AS<br>SELECT * FROM ventes WHERE 1 = 0;</pre><p>🔹 Créer une task planifiée (exécution toutes les heures)</p><pre>CREATE OR REPLACE TASK task_audit_ventes<br>  WAREHOUSE = mon_warehouse<br>  SCHEDULE = &#39;USING CRON 0 * * * * UTC&#39;<br>AS<br>INSERT INTO audit_ventes<br>SELECT * FROM ventes_stream WHERE METADATA$ACTION = &#39;INSERT&#39;;<br><br>-- Activer la task<br>ALTER TASK task_audit_ventes RESUME;</pre><p>🔹 Tester l’automatisation</p><pre>-- Insertion manuelle d’une vente<br>INSERT INTO ventes VALUES (999, 1, 2, CURRENT_DATE, 3);<br><br>-- Vérifier que l’audit s’est mis à jour<br>SELECT * FROM audit_ventes ORDER BY date DESC;</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=341c81ce93c3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Demystifying Reinforcement Learning]]></title>
            <link>https://medium.com/@saidaabaragh017/from-theory-to-practice-demystifying-reinforcement-learning-8c3d52088037?source=rss-1eb0b1247088------2</link>
            <guid isPermaLink="false">https://medium.com/p/8c3d52088037</guid>
            <dc:creator><![CDATA[Saida Abararh]]></dc:creator>
            <pubDate>Tue, 23 Apr 2024 09:15:15 GMT</pubDate>
            <atom:updated>2024-04-24T12:49:06.547Z</atom:updated>
            <content:encoded><![CDATA[<p>Here’s a quick summary of the previous and following articles in the series. My goal throughout will be to understand not just how something works but why it works that way.</p><ol><li><a href="https://towardsdatascience.com/reinforcement-learning-made-simple-part-1-intro-to-basic-concepts-and-terminology-1d2a87aa060">Intro to Basic Concepts and Terminology</a> <em>(What is an RL problem, and how to apply an RL problem-solving framework to it using techniques from Markov Decision Processes and concepts such as Return, Value, and Policy)</em></li><li><a href="https://towardsdatascience.com/reinforcement-learning-made-simple-part-2-solution-approaches-7e37cbf2334e">Solution Approaches</a><strong><em> </em></strong><em>(Overview of popular RL solutions, and categorizing them based on the relationship between these solutions. Important takeaways from the Bellman equation, which is the foundation for all RL algorithms.)</em></li><li><a href="https://towardsdatascience.com/reinforcement-learning-explained-visually-part-3-model-free-solutions-step-by-step-c4bbb2b72dcf">Model-free algorithms</a><em> (Similarities and differences of Value-based and Policy-based solutions using an iterative algorithm to incrementally improve predictions. Exploitation, Exploration, and ε-greedy policies.)</em></li><li><a href="https://towardsdatascience.com/reinforcement-learning-explained-visually-part-4-q-learning-step-by-step-b65efb731d3e">Q-Learning</a><em> (In-depth analysis of this algorithm, which is the basis for subsequent deep-learning approaches. Develop intuition about why this algorithm converges to the optimal values.)</em></li><li><strong>Deep Q Networks<em> — this article</em></strong> <em>(Our first deep-learning algorithm. A step-by-step walkthrough of exactly how it works, and why those architectural choices were made.)</em></li><li><a href="https://towardsdatascience.com/reinforcement-learning-explained-visually-part-6-policy-gradients-step-by-step-f9f448e73754">Policy Gradient</a> <em>(Our first policy-based deep-learning algorithm.)</em></li><li>Actor-Critic <em>(Sophisticated deep-learning algorithm which combines the best of Deep Q Networks and Policy Gradients.)</em></li><li>Bonus</li></ol><p><strong>Neural Nets are the best Function Approximators<br></strong>Since neural networks are excellent at modeling complex functions, we can use a neural network, which we call a Deep Q Network, to estimate this Q function.</p><p>This function maps a state to the Q values of all the actions that can be taken from that state.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*sKuhPjh3k1PW-r7S.png" /></figure><p>It learns the network’s parameters (weights) such that it can output the Optimal Q values</p><p>The underlying principle of a Deep Q Network is very similar to the Q Learning algorithm. It starts with arbitrary Q-value estimates and explores the environment using the ε-greedy policy. And at its core, it uses the same notion of dual actions, a current action with a current Q-value and a target action with a target Q-value, for its update logic to improve its Q-value estimates.</p><h4>DQN Architecture Components</h4><p>The DQN architecture has two neural nets, the Q network and the Target networks, and a component called Experience Replay. The Q network is the agent that is trained to produce the Optimal State-Action value.</p><p>Experience Replay interacts with the environment to generate data to train the Q Network.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*-mosd9tJqQu3E5xT.png" /></figure><p>The Q Network is a fairly standard neural network architecture and could be as simple as a linear network with a couple of hidden layers if your state can be represented via a set of numeric variables. Or if your state data is represented as images or text, you might use a regular CNN or RNN architecture.</p><p>The Target network is identical to the Q network.</p><h3>DQN Workflow</h3><p><strong><em>Gather Training Data</em></strong></p><p>1- Experience Replay selects an ε-greedy action from the current state, executes it in the environment, and gets back a reward and the next state.</p><p>2-It saves this observation as a sample of training data.</p><p><strong><em>Q Network prédit la valeur Q</em></strong></p><p>All prior Experience Replay observations are saved as training data. We now take a random batch of samples from this training data, so that it contains a mix of older and more recent samples.</p><p>This batch of training data is then inputted to both networks. The Q network takes the current state and action from each data sample and predicts the Q value for that particular action. This is the ‘Predicted Q Value’.</p><p><strong><em>Target Network predicts Target Q-value</em></strong></p><p>The Target network takes the next state from each data sample and predicts the best Q value out of all actions that can be taken from that state. This is the ‘Target Q Value’.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*TOWv4vmS7wphrf8V.png" /></figure><p><strong><em>Compute Loss and Train Q Network</em></strong></p><p>The Predicted Q Value, Target Q Value, and the observed reward from the data sample is used to compute the Loss to train the Q Network. The Target Network is not trained.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/979/1*zMASpOzIh3Neno9c_kmkeA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*bRs5e65Mnc5vOWcg.png" /></figure><p><strong>Back-propagate Loss to Q-Network</strong></p><p>Back-propagate the loss and update the weights of the Q Network using gradient descent. The Target network is not trained and remains fixed, so no Loss is computed, and back-propagation is not done. This completes the processing for this time-step.</p><p><strong>After T time-steps, copy Q Network weights to Target Network</strong></p><p>After T time-steps, copy the Q network weights to the Target network. This lets the Target network get the improved weights so that it can also predict more accurate Q values. Processing continues as before.</p><h3><strong>Bonus 🥳</strong></h3><p><strong>Influence of variables on the algorithm</strong></p><p>The learning factor 🧠:</p><p>The learning factor α determines to what extent the new calculated information will outperform the old one. If α= 0, the agent learns nothing. Conversely, if α = 1, the agent still ignores everything it has learned so far and will only consider the latest information.</p><p>In a deterministic environment, the learning speed αt(s,a)=1 is optimal. When the problem is stochastic, the algorithm converges under certain conditions depending on the learning speed. In practice, this speed often corresponds to αt(s,a)=0.1 for the entire duration of the process.</p><p>Discount factor ✅</p><p>The discount factor γ determines the magnitude of future rewards. A factor γ = 0 would make the agent myopic by only considering current rewards, while a factor γ close to 1 would also involve more distant rewards. If the discount factor γ is close to or equal to 1, the value of Q may diverge</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8c3d52088037" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>