店舗IDに対するハッシュ索引を作成すれば，距離条件や領域の重なりを効率よく判定できる．

配送エリアを囲む矩形を階層的に管理するR-treeを用いれば，検索範囲と重ならない領域を枝刈りし，候補を絞り込める．

空間データでは，全ての店舗と配送エリアを順に調べる必要があるため，索引による候補削減はできない．

日付や数値の範囲検索と同じように，緯度だけにB+木索引を作成すれば，2次元空間上の近傍検索や重なり判定を十分に効率化できる。

CSVは，どのような場合でもスキーマ，データ型，参照制約，トランザクション管理を備えているため，RDBの表と同等の構造化データである．

RDBの表は，行，列，データ型，制約などが定義されているため，構造化データの代表例である．

画像や音声は，ピクセル値や波形値として数値で表せるため，RDBの表と同じ意味で構造化データに分類される．

JSONやXMLは，必ず行と列からなる表として定義されるため，非構造化データに分類される．

データ分析基盤では，業務DB，ログ，センサデータ，文書，画像などを収集し，データレイクやデータウェアハウスに蓄積・加工した上で，BI，機械学習，AIアプリケーションなどに利用する．

データマートは，企業全体で利用するすべての生データを蓄積する領域であり，データレイクと同義である．

データレイクは，分析目的に合わせてあらかじめ整理・統合された構造化データだけを格納し，BIやOLAP専用に利用される．

データウェアハウスは，画像，音声，ログ，文書などを，発生したままの形で保存することを主目的とする領域である．

機械学習は，人間がすべての判定規則を明示的にプログラムとして記述し，その規則に従って処理を行う方法である．

AIは知的な処理を行うシステムや技術の総称であり，機械学習はデータから予測や判断のモデルを学習する方法である．ビッグデータは，量，多様性，発生速度などの性質をもつ大規模データであり，分析や機械学習の入力として利用される．

AIは，大量データを保存するためのデータベース技術の総称であり，機械学習はAIとは独立した検索技術である．

ビッグデータとは，RDBの表として正規化された構造化データだけを指し，画像，音声，ログ，文書などは含まれない．

学生表と科目表に選択条件を先に適用し，絞り込んだ表を履修表と結合する

科目表は出力に科目名だけが必要なので，結合せずに省略できる

履修表を先にすべて読み込み，学生表と科目表は最後にまとめて選択する

3表をすべて結合してから，`学年` と `分野` で選択する

全表走査のコストは 100，索引走査のコストは約 2,003 なので，全表走査が有利である

全表走査のコストは 10,000，索引走査のコストは約 2,003 なので，索引走査が有利である

全表走査のコストは 1,000,000，索引走査のコストは約 50,003 なので，索引走査が有利である

全表走査のコストは 10,000，索引走査のコストは約 50,003 なので，全表走査が有利である

学生：学生番号，氏名

履修：学生番号，科目番号，評点

科目：科目番号，科目名

学生：学生番号，氏名，学科，学年

履修：学生番号，科目番号，年度，評点

科目：科目番号，科目名

学生：学生番号，氏名，学科，学年

履修：学生番号，科目番号，年度

科目：科目番号，科目名，担当教員

学生：学生番号，氏名，学科，学年，GPA

履修：学生番号，年度，評点

科目：科目名，担当教員

ハッシュインデックスは，探索キーの順序を利用できるため，`ORDER BY` に常に有効である．

ハッシュインデックスは，探索キーからハッシュ関数でバケットを求めるため，完全一致検索に適している．

ハッシュインデックスでは，異なる探索キーが同じバケットに入ることはない．

ハッシュインデックスは，探索キーを順序付きに管理するため，範囲検索に適している．

範囲探索は，探索キーの大小関係を利用せず，すべてのレコードを先頭から順に確認する方法である．

順次探索は，キーから格納位置を直接計算して目的のレコードを探す方法であり，範囲検索に特に適している．

二分探索は，データが探索キーの順に整列されていない場合でも，中央のページを繰り返し調べることで効率よく探索できる．

直接探索は，探索キーから格納位置を求める方法であり，完全一致の検索に適しているが，範囲検索には向かないことが多い．