O paradigma de computação orientada a serviço denominado de computação na nuvem vem crescendo rapidamente nos últimos tempos e revolucionando o modo como a infraestrutura computacional é abstraída e utilizada. entre os paradigmas existentes, dbaas (database as a service) oferece um serviço de banco de dados na nuvem, e da mesma forma que outros paradigmas e serviços disponibilizados na nuvem, há diversas questões ainda a serem trabalhadas, tal como a reserva antecipada de recursos. reserva antecipada de recursos é o processo onde os usuários podem reservar recursos computacionais antecipadamente, como quantidade de cpu e memória, espaço em disco e largura de banda, para serem utilizados em um determinado período de tempo com o objetivo de aumentar a performance temporariamente e finalizar determinado processamento em um menor tempo. provedores de serviços na nuvem hoje em dia provisionam mais recursos ao seus clientes baseando-se em picos de carga de trabalho, causando muitas vezes um desperdício de recursos e, consequentemente, aumento no custo do serviço. em momentos que o cliente sabe, porém, que terá um aumento de carga de trabalho esperado, nada se pode fazer a não ser lidar com essa situação. desta forma, esta dissertação propõe uma abordagem de reserva antecipada de recursos em bancos de dados na nuvem, utilizando machine learning cujo objetivo é prover sugestões de recursos ao usuário, onde este informa ao provedor do serviço um aumento da demanda no futuro e assim reserva recursos para assegurar a sua performance. experimentos com diferentes algoritmos de aprendizado de máquina e conjuntos de dados apresentaram bons resultados para predição de tempo de execução de consultas. com isso, foi possível prover reservas mais precisas através de recomendações de recursos. a partir das recomendações, o usuário pode realizar reservas que melhoraram a performance do banco de dados e permitiram que consultas pudessem ser executadas em menor tempo.