Dans cet article, nous proposons une approche basée sur l’apprentissage pour l’optimisation adaptative des performances des applications de gestion de données. Il s’agit de valider l’opportunité de concevoir une stratégie d’optimisation qui ne requiert aucune connaissance d’un modèle de coût. Au lieu de cela, le modèle de coût est appris par apprentissage par renforcement. Nous appliquons notre approche au cas de l’optimisation des index. Nous modélisons l’exécution des requêtes et mises à jour comme un processus de décision markovien dont les états sont les configurations de la base de données, les actions sont les changements de configurations, et les récompenses sont fonctions du coût du changement de configuration et de l’évaluation des requêtes et mises à jour. Au cours du processus d’apprentissage par renforcement, nous faisons face à deux défis importants : non seulement l’indisponibilité du modèle de coût, mais aussi la taille de l’ensemble des états. Pour traiter ce dernier problème, nous mettons en place des stratégies d’élagage, à la fois dans le cas général et dans le cas le cas particulier de l’optimisation d’index. Nous évaluons notre approche de manière expérimentale et comparative sur des jeux de données standard OLTP et OLAP. Nous montrons que notre approche est compétitive par rapport à l’état de l’art en optimisation adaptative d’index, état de l’art qui est dépendent d’un modèle de coût. Le présent article est une version légèrement étendue d’un article publié à la conférence DEXA 2015.