随着人工智能时代的到来,机器学习应用的领域越来越广泛。伴随着数据处在爆炸的时代,机器学习在训练数据规模和计算等问题上正面临诸多严峻的挑战。比如,现有的数据管理技术无法直接为机器学习数据提供智能的存储,现有数据选择方法不能很好地满足机器学习样本数据的概要提取需求,目前尚无高效的连接顺序选择算法等。为了推动数据库内机器学习的发展,使智能数据管理技术赋能机器学习,本文研究了支撑数据库内机器学习的关键智能算法,包括基于集成学习的样本数据行列存储决策算法、基于聚类抽样的样本数据选择算法和基于强化学习的数据表连接顺序推荐算法。首先,本文研究了数据库内机器学习的样本数据存储结构智能决策问题,利用集成学习方法为样本决策存储结构,并根据机器学习的工作负载推荐存储结构,据我们所知,这是第一个利用集成学习方法为机器学习数据推荐存储结构,从而加速机器学习执行时间的方案。本文在不同机器学习任务上进行了对比实验,实验结果表明,存储结构智能决策技术能够使各类机器学习的执行时间缩短5%左右。然后,本文研究了数据库内机器学习的智能数据选择问题,提出了基于聚类抽样的样本数据选择算法,此方法充分考虑了数据间的相似性,能够为机器学习样本数据提取出最有代表性的数据。同样在不同机器学习任务上进行验证,实验结果表明,智能数据选择技术能够缩短各类机器学习任务至少20%的执行时间,使得模型精度提升3%左右。最后,本文研究了数据库内机器学习中用于提取高维特征的数据表连接顺序问题,改进了现有研究中的不足之处,提出了基于强化学习的数据表连接顺序推荐算法,设计了连接顺序编码方法,并同时提出基于Q学习以及基于DQN的强化学习模型。据我们所知,这是第一个同时利用强化学习与深度强化学习解决连接顺序选择问题的研究,并对其性能进行相应的实验。实验结果表明,基于Q学习的方法能够优于postgresql数据库查询性能10%左右,基于DQN的方法能够优于postgresql数据库查询性能18%左右。